ML-For-Beginners 回归入门实战：用 Python 与 Scikit-learn 搭建环境并构建第一个线性回归模型

本篇基于 ML-For-Beginners 课程回归章节（2-Regression）的第一课《Tools of the trade》，系统讲解如何为本地机器学习任务配置 Python、Visual Studio Code、Jupyter Notebook 与 Scikit-learn 环境，并完整复现课程配套的实战练习：加载 Scikit-learn 内置糖尿病数据集、划分训练/测试集、训练 LinearRegression 模型、调用 predict() 生成预测，最后用 Matplotlib 绘制回归直线。读完后你能够从零搭建课程标准开发环境，并独立完成本课程的第一个回归模型。

课程定位：回归四连课的第一步

ML-For-Beginners 是一个为期 12 周、包含 26 个课程与 52 个测验的经典机器学习课程体系。在 回归章节总览 中，本课（Tools of the trade）是四节回归课中的第一节，后续依次为：

1. Tools of the trade（本课：工具与首个模型）
2. Managing data（数据管理）
3. Linear and polynomial regression（线性与多项式回归）
4. Logistic regression（逻辑回归）

该章节以北美南瓜价格走势为区域主题（数据取自美国农业部公开报告），但本课的实战部分使用了 Scikit-learn 内置的糖尿病数据集。本节课程的核心学习目标在原文档中列得很明确，读完本课后你应能：

• 配置电脑以完成本地机器学习任务（Configure your computer for local machine learning tasks）；
• 掌握 Jupyter Notebook 的基本工作方式；
• 安装并使用 Scikit-learn；
• 通过动手练习探索线性回归。

本课题目强调的正是“先备齐工具”：在动手构建回归模型之前，先把 Python、VS Code、Jupyter 与 Scikit-learn 这套组合装好。

一、安装与配置：四步搭建本地 ML 环境

原文档给出的安装清单共四步，以下按原顺序完整继承并补充注意事项。

1. 安装 Python

确认电脑上已安装 Python。你会用它完成大量数据科学与机器学习任务，多数电脑系统已自带 Python，也可参考官方的 Python Coding Packs 安装器简化配置。

关键点：不同用途可能需要不同版本的 Python，因此建议使用虚拟环境（virtual environment，标准库 venv）隔离依赖。这是后文安装 Scikit-learn 时同样强调的前提。

2. 安装 Visual Studio Code

确认已安装 Visual Studio Code，并按官方指南完成基础安装。本课程全程在 VS Code 中运行 Python，建议提前熟悉 VS Code 的 Python 开发配置（解释器选择、扩展安装等）。课程文档还推荐通过微软 Learn 上的 Python 模块来巩固基础语法。

3. 安装 Scikit-learn

按 Scikit-learn 官方安装说明安装该库。由于必须使用 Python 3，官方推荐在虚拟环境中安装；如果你使用的是 M1 Mac，官方安装页有专门说明，需要注意架构差异。

4. 安装 Jupyter Notebook

需要安装 PyPI 上的 jupyter 包。后续所有练习都在 Jupyter Notebook 环境中完成。

二、你的 ML 创作环境：Jupyter Notebook

你会用**笔记本（Notebook）**来开发 Python 代码并创建机器学习模型。这类文件是数据科学家的常用工具，可通过其文件扩展名 .ipynb 识别。

Notebook 是一种交互式环境：开发者既可以在其中编写代码，也可以穿插添加注释和文档说明，这对实验性、研究性项目非常有帮助。它与网页开发者的工作环境有明显差异——代码单元格可以独立运行、即时查看输出，而不必整体编译或启动服务。

练习：操作一个 Notebook

在课程目录 2-Regression/1-Tools 下可以找到练习文件 notebook.ipynb（初始为空模板，供你亲手填写；完整带输出的版本见 solution/notebook.ipynb）。操作步骤如下：

1. 在 Visual Studio Code 中打开 notebook.ipynb。启动后 Jupyter 服务器会以 Python 3+ 运行。Notebook 中可“运行”的区域就是代码单元格，点击形似播放按钮的图标即可执行。

2. 选择 md 图标新增一个 Markdown 单元格，输入文本 # Welcome to your notebook。接着再新增一个 Python 代码单元格。

3. 在代码单元格中输入 print('hello notebook')。

4. 点击运行箭头执行代码，应看到输出：

   hello notebook
   

你可以自由地在代码之间穿插 Markdown 注释，让 Notebook 具备自我文档化的能力。

三、上手 Scikit-learn：经典机器学习的标准工具

Python 环境就绪、Notebook 使用熟练之后，本课引入 Scikit-learn（发音按 sci，同 science）。Scikit-learn 提供一套覆盖面很广的 API 来帮你完成各类 ML 任务。按其官方说法：“Scikit-learn 是一个开源机器学习库，支持有监督学习与无监督学习，并提供模型拟合并、数据预处理、模型选择与评估等多种工具。”

课程在此刻意聚焦“传统机器学习”（traditional machine learning）任务：神经网络与深度学习被有意排除在本课之外（课程体系将其留给后续的 AI for Beginners 内容）。Scikit-learn 的特点与本课练习直接相关：

• 让模型构建与评估流程简单直接；
• 主要面向数值型数据；
• 内置多组“玩具数据集”（toy datasets）作为教学工具——本课使用的糖尿病数据集即其一；
• 内置一批可直接尝试的现成模型（estimator），本课将使用其中的 linear_model.LinearRegression。

四、实战：你的第一个 Scikit-learn Notebook

该练习的思路取自 Scikit-learn 官方站点的线性回归示例。

在 notebook.ipynb 中先点击“垃圾桶”图标清空所有单元格，然后按以下步骤逐个单元格输入代码。完整可运行的答案（含每步真实输出）保存在 solution/notebook.ipynb 中，可对照验证。

本节业务背景：假设你想为糖尿病病人测试一种疗法，机器学习模型可以帮助判断哪些患者对疗法反应更好（依据变量的组合）。哪怕一个非常基础的回归模型，只要可视化出来，也能揭示哪些变量值得在（假设的）临床试验中优先组织。

✅ 原文档在这里提醒了一个关键的选型判断：回归方法有很多种，选择哪一种取决于你想得到的答案类型。

• 想根据年龄预测某人可能的身高 → 你要的是一个数值 → 用线性回归；
• 想判断某道菜算不算素食 → 你要的是类别归属 → 用逻辑回归。

本课练习属于前者：预测一个连续数值。

4.1 导入库

本练习需要三个库：

• matplotlib：绘图工具，用于创建折线/散点图；
• numpy：处理 Python 数值数据的常用库；
• sklearn：即 Scikit-learn 库。

import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model, model_selection

上面从 sklearn 中导入了三个子模块：datasets（内置数据集）、linear_model（线性模型）、model_selection（模型选择，这里用于把数据切分为训练集和测试集）。

4.2 糖尿病数据集

Scikit-learn 内置的糖尿病数据集包含 442 个样本、10 个特征变量，其中课程文档点名的包括：

• age：年龄（年）
• bmi：身体质量指数
• bp：平均血压
• s1 tc：T 细胞（一类白细胞）

课程配套的 R 语言版讲义 solution/R/lesson_1.Rmd 中给出了完整的 10 个预测变量清单，可作补充参考：

变量	含义
age	年龄（年）
sex	性别
bmi	身体质量指数
bp	平均血压
s1 tc	总血清胆固醇
s2 ldl	低密度脂蛋白
s3 hdl	高密度脂蛋白
s4 tch	总胆固醇 / HDL
s5 ltg	血清甘油三酯水平（可能取对数）
s6 glu	血糖水平

而回归目标 y 是：基线后一年疾病进展程度的定量测量值（定量回归目标）。这正是监督学习——需要一个带名称的目标 y。

✅ 原文档还附了一个思考点：该数据集包含“性别”这类二元分类特征，许多医学数据集都有这种变量；想一想这类分组方式可能如何把人群中的某些部分排除在治疗之外——这是模型公平性讨论的一个引子。

4.3 加载数据：X 与 y

在新代码单元格中调用 load_diabetes() 加载数据，参数 return_X_y=True 表示 X 是数据矩阵、y 是回归目标：

X, y = datasets.load_diabetes(return_X_y=True)
print(X.shape)
print(X[0])

返回值是一个元组（tuple），你把元组的前两个值分别赋给了 X 和 y。预期输出（见 solution/notebook.ipynb 中的真实运行结果）为：

(442, 10)
[ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076
 -0.04340085 -0.00259226  0.01990842 -0.01764613]

可以看到，数据为 442 行 × 10 列。✅ 思考：线性回归预测的是特征 X 与目标变量 y 之间的关系——对照数据集的目标定义，想一想这组数据实际在演示什么问题。

4.4 选取单一特征并重塑形状

本练习只取第 3 列（即 bmi）来画图。用 : 选择所有行，用索引 2 选择第 3 列；再用 reshape(n_rows, n_columns) 把一维数据重塑为二维数组（绘图与 fit() 都要求二维输入）。参数取 -1 时表示该维度由 NumPy 自动推算：

X = X[:, 2]
X = X.reshape((-1,1))

✅ 随时打印 .shape 检查：选列后 X 形状为 (442,)，重塑后为 (442, 1)（与 solution notebook 中记录的真实输出一致）。

4.5 划分训练集与测试集

现在有监督学习的基本操作是切分数据：用一个（通常更大的）子集训练模型，用较小的“保留”子集检验模型表现。Scikit-learn 提供了直接的做法——在指定比例处切分测试数据。课程代码将 33% 的数据划为测试集（即 67% 训练、33% 测试）：

X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)

注意：X 和 y 必须同步切分，保证行与行一一对应，这是后文 数据管理课 会进一步展开的主题。

4.6 训练线性回归模型

加载线性回归模型并用训练集训练。model.fit() 是你在 TensorFlow 等众多 ML 库中都会看到的训练接口：

model = linear_model.LinearRegression()
model.fit(X_train, y_train)

4.7 预测与可视化

用测试数据生成预测值——这条预测线将被用来绘制在模型数据分组之间最“合适”的位置：

y_pred = model.predict(X_test)

最后用 Matplotlib 把数据画出来：黑色散点是全部测试数据（X, y），蓝色粗线是模型预测：

plt.scatter(X_test, y_test,  color='black')
plt.plot(X_test, y_pred, color='blue', linewidth=3)
plt.xlabel('Scaled BMIs')
plt.ylabel('Disease Progression')
plt.title('A Graph Plot Showing Diabetes Progression Against BMI')
plt.show()

预期效果即为文首的散点图：一条直线穿过大量数据点。✅ 原文档要求你用自己的话解释这件事：这条直线具体在做什么？你如何用它预测一个全新的、未见过的数据点相对于 y 轴的位置？试着把模型的实用意义写成一段文字。

走到这里，你已经完成了自己的第一个线性回归模型：训练了它、用它生成了预测，并把结果画了出来。

五、挑战与配套作业

课程挑战（Challenge）

换一个变量来绘图。提示：修改这一行 X = X[:, 2]（例如换成列 0 即 age，或列 9 即 glu）。结合该数据集的目标（一年后疾病进展的定量测量），想一想你能对糖尿病作为一种疾病的进展规律发现什么。

书面作业（Assignment）

课程作业见 assignment.md，题目是：研究 Scikit-learn 内置的 Linnerud 数据集——它来自健身俱乐部 20 位中年男性的数据，含 3 个运动指标（数据）和 3 个体征指标（目标）。作业要求你用自己的语言描述：如何构建一个回归模型来刻画**腰围（waistline）与仰卧起坐数量（situps）**之间的关系，并对数据集中其他数据点做同样的分析。评分标准（Rubric）为三档：提交一段描述性段落（优秀）/ 提交几句话（合格）/ 未提供描述（待改进）。

六、跨语言实现：同一练习的 R 版本

本课同时提供 R 语言版本（原英文文档中以 “This lesson is available in R!” 标注）。从仓库文件看，R 版本基于 tidyverse + Tidymodels 生态，完整流程记录在 solution/R/lesson_1.Rmd（渲染后的网页版为 solution/R/lesson_1.html，Jupyter 版为 solution/R/lesson_1-R.ipynb）。Python 与 R 两条实现路径的对应关系如下，可帮助理解各步骤的“库无关”本质：

步骤	Python（Scikit-learn）	R（Tidymodels）
加载数据	datasets.load_diabetes(return_X_y=True)	read_table2(...) 从 NCSU 镜像 URL 读取
选列	X = X[:, 2]	diabetes %>% select(c(bmi, y))
切分 67/33	model_selection.train_test_split(X, y, test_size=0.33)	initial_split(prop = 0.67) + training() / testing()（set.seed(2056) 保证可复现）
定义模型	linear_model.LinearRegression()	linear_reg() %>% set_engine("lm") %>% set_mode("regression")（parsnip 的 type/engine/mode 三要素）
训练	model.fit(X_train, y_train)	lm_spec %>% fit(y ~ ., data = diabetes_train)
预测	model.predict(X_test)	lm_mod %>% predict(new_data = diabetes_test)
可视化	plt.scatter(...) + plt.plot(...)	ggplot(aes(x = bmi)) + geom_point(...) + geom_line(aes(y = .pred))

值得注意的是：R 版本从模型输出中可以直接读到训练学到的系数——“这些系数代表使实际值与预测值之间总体误差最小的最佳拟合直线”。这一点与 Python 版中 LinearRegression() 训练后模型内部存储的 coef_ / intercept_ 是同一数学对象。此外 solution/Julia/README.md 目前仅是一个占位文件（“This is a temporary placeholder”），说明 Julia 版本尚未落地。

多语言讲义的完整镜像也维护在 translations/ 目录下，本课的阿拉伯语版即 translations/ar/2-Regression/1-Tools/README.md，各语言版本（含中文 zh-CN 等 51 种语言目录）均可在 translations 目录 同级找到。

七、回顾与自修

原英文文档的 Review & Self Study 部分给出两个延伸方向，这里同样继承：

1. 简单 vs 单变量 vs 多元线性回归：本教程操作的是“单特征对单目标”的简单线性回归（simple linear regression），而非单变量或多项/多元回归（multiple regression）。建议阅读这三者的区别，建立“特征个数 → 模型维度”的直觉，这为后续 线性与多项式回归课 做铺垫。
2. 回归能回答什么样的问题：回归刻画的是“变量间关系”，可预测长度、温度、年龄等连续量。结合本课的思考点再梳理一遍：数值预测用线性回归、类别归属用逻辑回归（见 逻辑回归课）。

本课关键结论速查

• 环境四件套：Python（+虚拟环境）、VS Code、Scikit-learn、Jupyter；
• .ipynb Notebook 是数据科学的标准创作环境，代码与文档可混排、单元格可独立运行；
• 完整的 Scikit-learn 最小工作流：load_diabetes → 选列/reshape → train_test_split(test_size=0.33) → LinearRegression().fit() → predict() → Matplotlib 可视化；
• 糖尿病数据集：442 样本 × 10 特征，目标 y 为一年后疾病进展的定量测量；
• 同一练习存在 Python 与 R（Tidymodels）两套完整实现，接口一一对应，便于跨语言迁移。