---

文章3：機器學習基礎概念與框架實踐

——從理論到代碼，用Scikit-learn構建你的第一個分類模型

---

一、機器學習基礎理論：三大核心類型

機器學習是人工智能的核心，通過數據讓計算機自動學習規律并做出預測或決策。根據學習方式，可分為三類：

1. 監督學習（Supervised Learning）

• 定義：有標簽的數據（輸入-輸出對）訓練模型，預測未知數據的標簽。
• 典型任務：分類（如垃圾郵件識別）、回歸（如房價預測）。
• 算法示例：線性回歸、決策樹、支持向量機（SVM）。

2. 無監督學習（Unsupervised Learning）

• 定義：無標簽數據，通過發現數據內在結構進行聚類或降維。
• 典型任務：客戶分群、圖像壓縮。
• 算法示例：K-means聚類、主成分分析（PCA）。

3. 強化學習（Reinforcement Learning）

• 定義：通過試錯，讓智能體在環境中學習最優策略。
• 典型任務：游戲AI（如AlphaGo）、機器人控制。
• 算法示例：Q-learning、深度Q網絡（DQN）。

---

二、常見機器學習算法與Scikit-learn實踐

1. 監督學習：線性回歸（Regression）

• 原理：找到輸入特征與連續輸出之間的線性關系。
• Scikit-learn實現：

  from sklearn.linear_model import LinearRegression  
  import numpy as np  # 生成模擬數據  
  X = np.array([[1], [2], [3], [4], [5]])  
  y = np.array([2, 4, 6, 8, 10]