4. 机器学习基础回顾：监督学习、无监督学习与模型评估

各位同学，咱们今天聊点实在的。机器学习在材料科学里到底怎么用？说白了，就是让计算机从数据里找规律。我刚开始接触这个领域时，也觉得这东西玄乎，后来做了几个项目才明白——其实没那么复杂。

今天这一章，我带你快速过一遍机器学习的核心概念。别怕，咱们不搞数学推导，只讲你用得上的东西。

4.1 监督学习：回归与分类

监督学习，说白了就是“有老师带着学”。你给计算机一堆输入和对应的正确答案，让它自己琢磨出映射关系。材料科学里最常见的就是两类任务：回归和分类。

4.1.1 回归：预测连续值

回归任务，就是预测一个连续的数值。比如预测合金的屈服强度、预测电池的循环寿命、预测材料的带隙能量。这些都是回归问题。

我记得有一次做高熵合金项目，要预测不同成分组合的硬度。我们收集了200多组实验数据，用随机森林回归模型训练。结果还不错，预测误差控制在5%以内。嗯，这里有个坑——数据量太少时，复杂模型容易翻车。

# 一个简单的随机森林回归示例
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split

# 假设 X 是特征（成分、工艺参数等），y 是目标（强度）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

model = RandomForestRegressor(n_estimators=100, max_depth=10)
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)
print(f"R²分数: {model.score(X_test, y_test):.3f}")

4.1.2 分类：预测离散类别

分类任务，就是判断样本属于哪一类。比如判断一种材料是导体、半导体还是绝缘体，或者判断某个工艺参数组合是否会导致材料失效。

我个人习惯，做分类任务时先看数据是否平衡。如果正负样本比例悬殊，模型会偷懒——全预测成多数类，准确率还挺高，但实际没用。

算法	适用场景	优点	缺点
逻辑回归	二分类，概率输出	可解释性强	线性决策边界
K近邻（KNN）	小样本，低维数据	无需训练	计算量大
支持向量机（SVM）	高维数据，小样本	泛化能力强	调参复杂
随机森林	多分类，高维数据	鲁棒性好	模型较大

4.2 无监督学习：聚类与降维

无监督学习，就是“没有老师，自己找规律”。你只给计算机输入数据，不给标签，让它自己发现数据中的结构。这在材料科学里特别有用——比如发现新的材料类别、识别异常数据。

4.2.1 聚类：发现数据中的群组

聚类就是把相似的数据点归到一起。比如你有1000种材料的成分数据，想看看它们天然分成几类。K-means是最常用的方法，但有个问题——你得事先指定类别数K。

我建议用肘部法则来确定K值。画一条曲线，横轴是K值，纵轴是误差平方和。曲线拐弯的地方，就是合适的K。你想想看，这就像选衣服尺码——太小了不舒服，太大了不合身。

4.2.2 降维：简化数据，保留关键信息

降维，就是把高维数据压缩到低维，同时尽量保留原始信息。为什么需要降维？因为材料数据往往特征很多——成分、工艺参数、微观结构特征，加起来几十上百维。直接分析，眼睛都看花了。

主成分分析（PCA）是我最常用的降维方法。它找到数据中方差最大的方向，把数据投影上去。说白了，就是找到最重要的几个“综合特征”。

# PCA降维示例
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt

# 假设 X 是1000种材料的50维特征
pca = PCA(n_components=2)  # 降到2维
X_reduced = pca.fit_transform(X)

# 看看前两个主成分解释了多大比例的信息
print(f"解释方差比例: {pca.explained_variance_ratio_}")
print(f"累计解释方差: {sum(pca.explained_variance_ratio_):.3f}")

# 可视化
plt.scatter(X_reduced[:, 0], X_reduced[:, 1])
plt.xlabel('第一主成分')
plt.ylabel('第二主成分')
plt.show()

4.3 模型评估与交叉验证

模型建好了，怎么知道它好不好？不能只看训练集上的表现——那叫“自欺欺人”。我见过太多人，模型在训练集上得分99%，一上测试集就掉到60%。

4.3.1 评估指标

不同任务用不同指标。回归任务看均方误差（MSE）和R²分数。分类任务看准确率、精确率、召回率和F1分数。

我个人习惯，回归任务先看R²，它告诉你模型解释了多大比例的方差。R²接近1说明好，接近0说明模型还不如直接猜平均值。

任务类型	常用指标	说明
回归	MSE, RMSE, MAE, R²	MSE对异常值敏感，MAE更稳健
分类	准确率, 精确率, 召回率, F1	数据不平衡时别只看准确率
聚类	轮廓系数, 戴维森堡丁指数	没有真实标签时的评估方法

4.3.2 交叉验证

交叉验证，就是把数据分成几份，轮流做训练和测试。最常用的是K折交叉验证（K=5或10）。

为什么要这么做？因为单次划分可能运气好或运气差。交叉验证能给你一个更稳定的性能估计。我曾经做过一个项目，单次划分测试集得分0.85，但5折交叉验证的平均分只有0.72——差距很大。

# 5折交叉验证示例
from sklearn.model_selection import cross_val_score

model = RandomForestRegressor(n_estimators=100)
scores = cross_val_score(model, X, y, cv=5, scoring='r2')

print(f"每折得分: {scores}")
print(f"平均得分: {scores.mean():.3f} ± {scores.std():.3f}")

4.4 过拟合与正则化

过拟合，就是模型把训练数据背下来了，但遇到新数据就懵了。你想想看，这就像学生只背了考试原题，题目一换就不会了。

怎么判断过拟合？训练集得分远高于测试集得分，就是典型信号。我见过最夸张的一次，训练集R²=0.99，测试集R²=0.12——模型基本废了。

4.4.1 防止过拟合的方法

• 增加数据量： 最直接的方法，但材料实验数据往往很贵
• 简化模型： 减少特征数量，降低模型复杂度
• 正则化： 给损失函数加惩罚项，让模型参数不要太大
• 早停法： 训练过程中监控验证集性能，一旦开始下降就停止
• Dropout： 神经网络中随机丢弃一些神经元，防止共适应

4.4.2 正则化详解

正则化，说白了就是给模型“上枷锁”。L1正则化（Lasso）会让一些特征系数变成0，相当于自动做特征选择。L2正则化（Ridge）会让系数变小但不为0。

我建议，如果你特征很多但大部分没用，用L1正则化。如果所有特征都有用但需要控制模型复杂度，用L2正则化。当然，也可以两者结合——弹性网络（Elastic Net）。

# L2正则化（岭回归）示例
from sklearn.linear_model import Ridge

# alpha是正则化强度，越大惩罚越重
model = Ridge(alpha=1.0)
model.fit(X_train, y_train)

print(f"训练集R²: {model.score(X_train, y_train):.3f}")
print(f"测试集R²: {model.score(X_test, y_test):.3f}")

知识体系总览

下面这张图，把今天讲的内容串起来了。你可以把它当作一个快速参考——做项目时忘了哪个概念，回来瞄一眼就行。

好了，这一章的内容就到这里。机器学习的基础概念，说白了就是这些——监督学习、无监督学习、模型评估、过拟合处理。你把这些搞明白了，后面讲材料设计的具体应用时，就不会觉得云里雾里。

记住，做材料科学中的机器学习项目，数据质量比模型复杂度更重要。我见过太多人花大量时间调模型参数，却忽略了数据本身的问题。先把数据搞清楚，模型自然就work了。