ML-For-Beginners 回归第一章作业实战：用 Linnerud 数据集描述并构建 Scikit-learn 回归模型

本文围绕 ML-For-Beginners 课程回归（2-Regression）章节第一课的作业 assignment.md 展开，完整解读其核心要求：基于 Scikit-learn 内置的 Linnerud 多目标数据集，用文字描述如何构建一个刻画「腰围（waistline）与仰卧起坐次数（situps）」之间关系的回归模型，并将同样的思路推广到数据集中其余变量。读完本文，你不仅能按作业评分标准组织出合格的描述性答案，还能直接复用本课程配套的标准 Scikit-learn 回归工作流（加载数据、切分训练/测试集、拟合 LinearRegression、预测并绘图）把这份作业真正落地为可运行的代码。

作业出处与学习目标

这份作业隶属于课程第 2 章「Regression」的第 1 课「Tools」（工具准备课），该课的整体目标是：配置本地机器学习环境、熟悉 Jupyter Notebook、掌握 Scikit-learn 的安装与使用，并通过一个动手练习初步接触线性回归。作业文件同时存在英文原文 assignment.md 与阿拉伯语译文 translations/ar/2-Regression/1-Tools/assignment.md，标题均为「Regression with Scikit-learn（使用 Scikit-learn 做回归）」。

值得注意的一个背景是：本课程的回归教学刻意从「最经典、最可解释」的路线入手。第 1 课的 README 先用 Scikit-learn 内置的 diabetes 数据集完整走了一遍单变量线性回归（选一个特征、reshape、train_test_split、fit、predict、matplotlib 绘图），而课后作业则要求学习者换一个数据集、换一组变量，独立完成「描述建模过程」的练习——这正是检验是否真正理解回归工作流的试金石。

作业要求全解读：Linnerud 数据集

数据集是什么

作业原文（英/阿双语内容一致）给出的核心素材是 Scikit-learn 内置的 Linnerud 数据集，并引用了官方描述：

「It consists of three exercise (data) and three physiological (target) variables collected from twenty middle-aged men in a fitness club」——它由从某健身俱乐部 20 名中年男性身上收集的 3 个运动类变量（data，即特征 X） 和 3 个生理类变量（target，即目标 y） 构成。

按 Scikit-learn 对该数据集的公开描述，三组运动变量依次为 chins（引体向上）、situps（仰卧起坐）、jumps（开合跳）的次数；三组生理目标依次为 waist（腰围）、pulses（脉搏）、weight（体重）。也就是说，这个数据集天然是一个 多目标（multiple targets） 结构：每一对「运动量 → 生理指标」都可以独立地立一个回归问题。这与 diabetes 数据集「10 个特征 → 1 个目标」的结构不同，也是作业特意选它的原因——它逼着学习者理解：当 y 有多列时，「选定要建模的变量对」本身就是建模流程的第一步。

作业任务

作业要求（原文）：

In your own words, describe how to create a Regression model that would plot the relationship between the waistline and how many situps are accomplished. Do the same for the other datapoints in this dataset.

用中文概括即两个动作：

1. 用自己的话描述如何创建一个回归模型，用来绘制 腰围（waist）与仰卧起坐次数（situps） 之间的关系；
2. 对数据集中其余变量对做同样的描述（例如 pulses 与 chins、weight 与 jumps 等其余 5 组「运动×生理」配对）。

也就是说，这是一道 概念描述题而非编程题：不要求你交付模型代码，而是要求你用文字清晰讲出「从原始数据到一张关系图」的完整链路。这也解释了为什么评分标准只有一条「提交描述性段落」。

评分标准（Rubric）

作业附带的评分表（继承自原文档，完整保留）：

评分标准	优秀（Exemplary）	合格（Adequate）	待改进（Needs Improvement）
提交一段描述性文字（Submit a descriptive paragraph）	提交了书写良好、完整的段落	只提交了几个句子	未提交任何描述

对照这份 Rubric，一份「优秀」答案应当是一段逻辑连贯、覆盖全链路的文字，而不是零散的短语。下一节给出的参考写法与代码，正好对应这段话需要覆盖的技术要点。

参考解法：把课程标准回归工作流套用到 Linnerud

虽然作业只要求「描述」，但要写出经得起推敲的描述，最稳妥的办法是先把代码真正跑通。课程 1-Tools 课的答案 notebook 中 diabetes 示例的完整调用链是：

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

X, y = datasets.load_diabetes(return_X_y=True)   # X 形状 (442, 10)
X = X[:, 2]                                       # 只取第 3 列特征
X = X.reshape((-1, 1))                            # 展平成 2D 数组，绘图与建模都需要
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
model = linear_model.LinearRegression()
model.fit(X_train, y_train)                       # 用训练集拟合
y_pred = model.predict(X_test)                    # 用测试集预测，用于画直线
plt.scatter(X_test, y_test, color='black')
plt.plot(X_test, y_pred, color='blue', linewidth=3)
plt.show()

上图即该答案 notebook 运行 plt.scatter + plt.plot 后的典型输出形态：黑色散点是测试集的真实样本，蓝色直线是模型 predict 出的拟合关系。作业要求绘制的「waist 对 situps 关系图」最终呈现的正是这种形态。

将同样的六步流程原样迁移到 Linnerud 数据集，核心改动只有两处：换数据源（load_linnerud）、按列索引挑出变量对。参考实现如下（可在本课程的 notebook.ipynb 之外新建本地 notebook 运行，仓库文件请勿修改）：

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

# 1. 加载 Linnerud：data 为 (20, 3) 的运动变量，target 为 (20, 3) 的生理指标
linnerud = datasets.load_linnerud()
X_all, y_all = linnerud.data, linnerud.target

# 2. 选定变量对：X 取 situps 列，y 取 waist 列
#    列顺序遵循 Scikit-learn 对 Linnerud 数据集的说明：
#    X 依次为 chins / situps / jumps，y 依次为 waist / pulses / weight
X = X_all[:, 1].reshape(-1, 1)   # situps，reshape 成 (20, 1) 以匹配建模接口
y = y_all[:, 0]                  # waist

# 3. 切分训练集与测试集（沿课程惯例，test_size=0.33）
X_train, X_test, y_train, y_test = model_selection.train_test_split(
    X, y, test_size=0.33)

# 4. 拟合线性回归
model = linear_model.LinearRegression()
model.fit(X_train, y_train)

# 5. 对测试集做预测
y_pred = model.predict(X_test)

# 6. 绘图：散点为真实点，直线为模型关系
plt.scatter(X_test, y_test, color='black')
plt.plot(X_test, y_pred, color='blue', linewidth=3)
plt.xlabel('Situps (count)')
plt.ylabel('Waist (cm)')
plt.title('Waist vs. Situps: Linear Regression on Linnerud')
plt.show()

针对「其余数据点」的第二问，只需把第 2 步的列索引换成其他配对，例如 chins→pulses 取 X_all[:, 0] 对 y_all[:, 1]，weight→jumps 取 X_all[:, 2] 对 y_all[:, 2]，其余五步完全不变。这个「六步流程不变、只换列索引」的事实，正是描述性答案里最值得写出的结论。

描述段落怎么写才能拿到「优秀」

结合评分标准与上面的实现，一段合格到优秀的描述应当依次覆盖：

1. 数据准备：从 Scikit-learn 加载 Linnerud 数据集，确认它有 20 行样本、3 个运动特征列与 3 个生理目标列，属于多目标数据，必须先选定一对变量（situps 作为特征 X，waist 作为目标 y）；
2. 形状整理：把一维的特征向量用 reshape(-1, 1) 变成二维数组，这是 Scikit-learn 估计器（estimator）接口和绘图的共同要求；
3. 数据切分：用 model_selection.train_test_split 将 X 与 y 同步切分为训练集/测试集（课程示例默认 test_size=0.33）。从源码结构看，Linnerud 仅有 20 个样本，按 0.33 切分后测试集约 7 个样本，规模很小，描述中应说明小样本下拟合结果只能作定性参考；
4. 模型拟合与预测：实例化 linear_model.LinearRegression，调用 model.fit(X_train, y_train) 用训练集学习斜率与截距，再调用 model.predict(X_test) 得到预测值——fit/predict 是 Scikit-learn 各估计器通用的接口约定，课程 README 也提示这一模式在 TensorFlow 等库中同样常见；
5. 可视化：用 matplotlib 以散点画出测试集真实点，再用 predict 的结果画一条直线，直观展示 waist 随 situps 变化的线性趋势；
6. 推广：对数据集中其余 5 组「运动×生理」变量对，重复 1–5 步，仅替换选列索引即可。

把这段链路用自然语言（而非 API 名称堆砌）写成连贯段落，即符合 Rubric 中「well-written paragraph」的要求。

延伸阅读与仓库内相关资源

• 课程正文（英文/阿拉伯语）：2-Regression/1-Tools/README.md、translations/ar/2-Regression/1-Tools/README.md，其中包含环境安装（Python、VS Code、Scikit-learn、Jupyter）、notebook 操作练习与 diabetes 线性回归完整教程；
• 可对照的答案 notebook：2-Regression/1-Tools/solution/notebook.ipynb（Python 版，含每个单元格的真实输出）；
• 作业文件：2-Regression/1-Tools/assignment.md（英文）、translations/ar/2-Regression/1-Tools/assignment.md（阿拉伯语，附 Co-op Translator 机器翻译免责声明，原文以英文为准）；
• 回归章节后续课程（2-Data、3-Linear、4-Logistic）会在此基础上讲解数据探索、线性回归深化与逻辑回归，本作业的「描述建模过程」能力是它们的直接前置。

综上，这份作业的表面形式是一道文字题，实质考核的是学习者能否把「选变量对 → 整形 → 切分 → 拟合 → 预测 → 绘图」这条经典回归流水线完整、准确地表述出来。跑通一次 Linnerud 的 waist–situps 回归后，再回写描述段落，即可稳定达到评分标准中的「优秀」档。