8-1 线性回归（Linear Regression）

🎯 教学目标与重难点…

【三维目标】

  • 📚 知识目标：
    • 理解分类与回归的核心区别（离散 vs 连续）。
    • 理解线性回归的核心思想（找到一条最优趋势线/超平面）。
    • 掌握权重 $w$、偏置 $b$ 与均方误差（$MSE$）损失函数的概念。
  • ⚙️ 能力目标：
    • 能够使用 Python 的 scikit-learn 库构建一维及多维线性回归模型。
    • 能够根据训练好的模型对新数据进行预测分析。
  • 💡 素养目标：
    • 培养用“数据建模思维”解决现实问题的能力。
    • 建立对机器学习算法“从数学原理到工程落地”的严谨科学态度。

【重点与难点】

  • 🟢 教学重点：线性回归方程的物理意义与 sklearn 模型训练的标准全流程。
  • 🟡 教学难点：损失函数（$MSE$）的数学含义与梯度下降法（优化算法）的直观理解。

📌 一、 课程导入：我们如何做预测？（10 分钟）

​

在现实生活中，我们经常需要对未来的事物做出预测：

  1. 场景 A：根据今天的邮件标题和正文，判断它是不是“垃圾邮件”。
  2. 场景 B：根据房屋的面积（平方米），预测它的“二手售价”（万元）。

这两个问题的预测结果有什么本质不同？

💡 核心概念：分类 vs 回归

对比维度 回归（Regression） 分类（Classification）
预测目标 连续数值（Continuous Value） 离散标签（Discrete Label）
回答问题 “是多少？”（如：房价、温度、销量） “是什么？”（如：垃圾/正常、猫/狗）
核心逻辑 寻找数据之间的数量关系规律线 划出区分不同类别的分类边界线
  • 👨‍🏫 教师活动：
    1. 抛出现实生活中的两个预测场景，引导学生对比思考。
    2. 板书并对比“分类”与“回归”的核心区别。
  • 🧑‍🎓 学生活动：
    1. 思考并回答两个场景输出结果的区别（一个是类别，一个是数字）。
    2. 举出生活中其他属于“回归任务”的例子（如股票价格、明日气温预测）。

通过贴近生活的实际问题切入，消除机器学习算法的抽象感；通过对比强化理解，帮助学生迅速建立对“回归任务”的本质认知[cite: 2]。

📖 二、 解决问题过程（一）：线性回归模型原理（25 分钟）

​

1. 什么是线性回归？

线性回归就是通过已知的数据，画一条“最拟合”的线，来表达变量之间的趋势。

初中数学中预测房价（假设只有“面积”一个特征）：

$$y = kx + b$$

在机器学习领域，我们换了一套“符号马甲”：

$$y = wx + b$$
  • $w$（Weight / 权重）：表示特征对结果的影响权重（斜率）。
  • $b$（Bias / 偏置）：模型的基准线（截距）。

2. 多特征场景（多元线性回归）

  • 单特征：$y = wx + b$ （一维空间里的一条直线）
  • 双特征：$y = w_1x_1 + w_2x_2 + b$ （三维空间里的一个平整平面）
  • 多特征：$y = w_1x_1 + w_2x_2 + ... + w_nx_n + b$ （高维空间里的超平面）
⚠️ 思想误区警示：回归 ≠ 因果关系

例如“冰淇淋销量高，溺水人数也多”，这属于相关性，并不意味着“吃冰淇淋会导致溺水”。线性回归研究的是如何用已有变量去拟合和预测目标变量。

3. 计算机是如何“寻找”最优直线的？

计算机刚开始并不知道 $w$ 和 $b$ 的真实值，它会随机假设一组参数，然后通过以下步骤迭代学习：

步骤一：衡量误差——均方误差（MSE）

$$MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$$
  • $y_i$：实际真实值 | $\hat{y}_i$：模型预测值
  • 为什么要取平方？
    1. 消除正负抵消。
    2. 放大较大误差（误差越大，平方后惩罚越重）。
    3. 函数平滑，处处可导，利于数学优化。

步骤二：调整参数——梯度下降法（Gradient Descent）

好比一个人被蒙上双眼停在半山腰，他用脚感受脚下坡度最陡的方向（计算梯度），然后向山谷（误差最小点）迈出一步（更新参数），一步步走到山谷底部。

  • 👨‍🏫 教师活动：
    1. 将初中 $y=kx+b$ 迁移讲解为机器学习的 $y=wx+b$，降低心理门槛。
    2. 用“蒙眼下山”的比喻形象化讲解梯度下降法与 MSE 损失函数。
  • 🧑‍🎓 学生活动：
    1. 理解并记录 $w$（权重）与 $b$（偏置）的定义。
    2. 思考为什么 MSE 要用平方而不是绝对值。

将复杂的优化算法与损失函数转化为直观的几何画面与生活比喻，突破数学推导上的难点，建立算法直觉[cite: 2]。

💻 三、 解决问题过程（二）：代码实践与工业实现（25 分钟）

​

1. 算法底层机制（Python 原生梯度下降模拟）

 1import time
 2
 3# 1. 准备训练数据 (假设真实规律为 y = 2x + 1)
 4X = [1, 2, 3]
 5Y = [3, 5, 7]
 6
 7# 2. 参数初始化
 8w, b = 0.0, 0.0
 9learning_rate = 0.05  # 学习率（步长）
10epochs = 200          # 训练轮次
11
12print("开始梯度下降迭代：")
13for epoch in range(epochs):
14    grad_w, grad_b, total_loss = 0, 0, 0
15    for x, y in zip(X, Y):
16        y_pred = w * x + b
17        total_loss += (y_pred - y) ** 2
18        grad_w += 2 * (y_pred - y) * x
19        grad_b += 2 * (y_pred - y)
20        
21    # 更新参数
22    w -= learning_rate * (grad_w / len(X))
23    b -= learning_rate * (grad_b / len(X))
24    
25    if (epoch + 1) % 50 == 0:
26        print(f"第 {epoch+1:3d} 步 | Loss: {total_loss/len(X):.4f} | w: {w:.2f}, b: {b:.2f}")
27
28print(f"最终学到的模型方程: y = {w:.1f}x + {b:.1f}")

2. 工业级开发：使用 scikit-learn 快速拟合

在实际开发中，我们使用封装好的标准库：

 1import numpy as np
 2from sklearn.linear_model import LinearRegression
 3
 4# 1. 准备数据 (注意：sklearn 要求特征 X 必须是二维数组/矩阵)
 5X = np.array([[1], [2], [3]])
 6y = np.array([3, 5, 7])
 7
 8# 2. 实例化模型并训练
 9model = LinearRegression()
10model.fit(X, y)
11
12# 3. 打印模型学习到的参数
13print(f"模型权重 w (斜率): {model.coef_[0]:.2f}")
14print(f"模型偏置 b (截距): {model.intercept_:.2f}")
15
16# 4. 预测未知新数据 (例如 x = 5)
17x_new = np.array([[5]])
18pred = model.predict(x_new)
19print(f"当 x = 5 时，AI 预测输出为: {pred[0]:.2f}")
  • 👨‍🏫 教师活动：
  1. 在 Jupyter Notebook 中实时演示代码运行与参数“进化”过程。
  2. 重点强调 sklearn 框架中数据矩阵格式 X（必须是二维 [n_samples, n_features]）的常见踩坑点。
  • 🧑‍🎓 学生活动：
  1. 在本地开发环境同步敲写并运行 sklearn 代码。
  2. 尝试修改输入数据 $X, y$，观察输出的权重 $w$ 与偏置 $b$ 的变化。

通过“原生代码理解原理 + 标准库掌握工程应用”的双轨教学，既确保理论落地，又提升学生的实际代码动手能力。

✍️ 四、 解决问题过程（三）：课堂实践与任务驱动（20 分钟）

📝 任务一：外卖骑手“月收入预测”…

背景：某外卖平台收集了骑手的“每日平均送单量”与“月收入”数据。请使用 LinearRegression 编写代码，预测当骑手每日送 45 单 时，其预估月收入是多少？

每日送单量（单） $X$ 月收入（元） $y$
20 4500
30 6200
40 8100
50 9800
🔍 查看参考代码与答案解析 
 1import numpy as np
 2from sklearn.linear_model import LinearRegression
 3
 4X = np.array([[20], [30], [40], [50]])
 5y = np.array([4500, 6200, 8100, 9800])
 6
 7model = LinearRegression()
 8model.fit(X, y)
 9
10income_45 = model.predict([[45]])
11print(f"每天送 45 单，预估月收入为: {income_45[0]:.2f} 元")
12print(f"方程参数: w = {model.coef_[0]:.2f}, b = {model.intercept_:.2f}")
📝 任务二：二手电动车“续航与二手价预测”…

背景：评估二手电动车的售价需同时考虑“驾龄”和“电池健康度”。现收集数据如下：

驾龄 $x_1$（年） 电池健康度 $x_2$（%） 二手售价 $y$（元）
1 95 8200
2 90 6800
3 80 5100
4 75 4200

任务：训练多元线性回归模型，预测一辆驾龄 2.5 年、电池健康度 85% 的电动车合理售价是多少？

🔍 查看参考代码与答案解析 
 1import numpy as np
 2from sklearn.linear_model import LinearRegression
 3
 4# 多特征输入：矩阵每行代表一个样本，每列代表一个特征
 5X = np.array([
 6    [1, 95],
 7    [2, 90],
 8    [3, 80],
 9    [4, 75]
10])
11y = np.array([8200, 6800, 5100, 4200])
12
13model = LinearRegression()
14model.fit(X, y)
15
16pred_price = model.predict([[2.5, 85]])
17print(f"预计合理售价为: {pred_price[0]:.2f} 元")
18print(f"特征权重 w1(驾龄): {model.coef_[0]:.2f}, w2(电池): {model.coef_[1]:.2f}")

📝 五、 课堂小结（5 分钟）

mindmap
  root(("8-1 线性回归"))
    核心概念
      分类任务
        "预测离散标签"
        "回答：是什么"
      回归任务
        "预测连续数值"
        "回答：是多少"
    核心原理
      数学模型
        "一维：y = wx + b"
        "多维：y = w1x1 + w2x2 + ... + b"
      损失函数 MSE
        "衡量预测误差"
        "平方放大较大误差"
      优化算法
        "梯度下降法"
        "沿着最陡方向更新 w 与 b"
    工程实现
      工具包
        "scikit-learn"
      标准三步法
        "步骤 1：实例化 model = LinearRegression"
        "步骤 2：训练 fit - X, y"
        "步骤 3：预测 predict - X_new"
      注意事项
        "特征 X 必须是二维矩阵"

📮 六、 课后作业与拓展思考（5 分钟）

📮 课后巩固作业
  1. 基础题：小明收集了二手手机“使用年限”与“售价”的数据： X = [[0.5], [1.0], [1.5], [2.0], [3.0]]，y = [5200, 4300, 3900, 3100, 2200]。 请编写 Python 脚本预测使用 2.5 年 的手机售价，并输出斜率 $w$。结合 $w$ 的实际数值说明：使用时间每增加 1 年，手机价格平均下降多少元？
  2. 拓展挑战题（选做）：加载 sklearn.datasets.fetch_california_housing（加州房价数据集），查看包含的 8 个维度特征，训练模型并打印各自权重，尝试分析哪一个因素对房价的影响最大。

📋 七、 板书设计

🛠️ 板书设计 … 
 1         8-1 线性回归 (Linear Regression)
 2
 3一、分类 vs 回归                   三、机器学习训练三要素
 41. 分类: 预测离散标签 (是什么)       1. 模型: y = wx + b
 52. 回归: 预测连续数值 (是多少)       2. 损失: MSE = Σ(y - y_hat)^2 / n
 6                                 3. 优化: 梯度下降 (蒙眼下山)
 7二、基本数学模型
 81. 单特征: y = wx + b             四、Sklearn 4步法
 92. 多特征: y = w1*x1 + w2*x2 + b    1. import LinearRegression
10                                   2. model = LinearRegression()
11                                   3. model.fit(X, y)   # X需为二维矩阵
12                                   4. model.predict(X_new)