图解机器学习算法 - 交互式探索

🎯

K近邻算法（KNN）

小强的哥哥该加入哪个社团？

🤔 探索问题

小强的哥哥身高183cm，肺活量3.5L。他应该加入游泳社团还是篮球社团？
改变 K值和 小强哥哥的数据，看看结果会怎么变化！

K 值

3

身高 (cm)

183

肺活量 (L)

3.5

计算中...

🏀 篮球社团成员

身高偏高(185-192cm)，肺活量偏低(3.0-3.4L)

🏊 游泳社团成员

身高偏低(170-182cm)，肺活量偏高(3.5-4.0L)

🧒

这个算法有点像"墙头草"，根据K值画个圈，圈内哪边人多就分到哪边！

对！K是你们定义的参数，NN是 Nearest Neighbor（最近邻居）。看周围邻居来做决定！

🤖

✏️

感知器（Perceptron）

用一条线把两个社团分开

🤔 探索问题

感知器的核心是找到一条分界线，把两类数据分开。
拖动滑块调整分界线的位置和角度，看看能否完美分类！

分界线斜率

1.5

分界线位置

-27

调整分界线...

⚠️ 感知器的局限性：只有当两类数据可以被一条直线完全分开时（线性可分），感知器才能正确工作。如果数据混在一起，就需要更复杂的神经网络了。

📈

线性回归

根据年龄预测身高

🤔 探索问题

一个孩子5-11岁的身高数据已知，12岁时她的身高会是多少？
调整预测年龄，观察线性回归如何做出预测！

预测年龄 (岁)

12

预测身高

-- cm

自变量：年龄（输入）
因变量：身高（输出/预测）

回归 = 预测：根据已知数据找规律，预测未知数据的值（通常是连续数值）

分类 vs 回归：有什么区别？

🎯 分类问题

预测结果是类别（离散值）
例：是否是垃圾邮件（0或1）
例：加入哪个社团

📈 回归问题

预测结果是数值（连续值）
例：预测身高（155.3cm）
例：预测购物金额

🔵

K-平均分群法（K-means）

学校校车停靠点怎么安排？

🤔 探索问题

学校要安排校车接送点，图中每个点代表一个学生小区。
改变 K值（校车数量），观察分群结果如何变化！

校车数量 K = 2

📍 地图视图

📋 分群结果

K-means 算法步骤

1

预先设定要分成几个群（K值），即派出几辆校车

2

随机设定K个点作为初始停靠点（质心）

3

每个学生小区归入距离最近的停靠点所在群

4

将停靠点移动到各群的中心位置

↻

重复步骤3和4，直到停靠点不再移动为止

聚类 vs 分类：分类问题事先知道类别（游泳/篮球），聚类问题事先不知道要分成什么，完全根据数据相似性自动分群。这就是无监督学习！

🗺️

机器学习知识地图

点击各节点，查看详细说明