第三章 机器学习基础：监督学习、无监督学习、强化学习、特征工程与模型评估
各位同学，今天咱们聊聊机器学习的四大支柱。说实话，我刚入行那会儿，觉得机器学习就是个黑盒子——数据扔进去，结果蹦出来。后来踩的坑多了，才明白这玩意儿跟材料实验一样，每一步都得讲究。
先看一张图，把今天要讲的内容串起来。
3.1 监督学习：有老师带着学
监督学习，说白了就是给模型看一堆「标准答案」。你给它输入，告诉它输出应该是什么，让它自己琢磨中间的映射关系。
我在做合金成分设计时，经常用监督学习。比如我们有1000组实验数据，每组包含「元素比例」和「硬度值」。模型的任务就是学会从比例预测硬度。
核心思想：输入X → 模型 → 输出Y，用已知的Y去纠正模型。
常见的算法有：
- 线性回归：适合连续值预测，比如预测材料的拉伸强度
- 决策树/随机森林：适合分类，比如判断材料是金属还是陶瓷
- 支持向量机：高维数据分类，我用来区分不同晶体结构
- 神经网络：复杂关系建模，但数据量要够大
我的经验：做材料预测时，别一上来就上神经网络。先试试线性回归或随机森林，往往效果就不错。神经网络容易过拟合，尤其是数据量少于1000组的时候。
3.2 无监督学习：自己找规律
无监督学习没有标签。你扔一堆数据进去，让它自己发现结构。这就像把一堆矿石倒在地上，让模型自己分类——哪些是铁矿，哪些是铜矿。
为什么会用到无监督学习？因为很多时候我们根本不知道数据该怎么标。比如你有10000个XRD图谱，人工分类太费劲了。
常用方法：
- K-means聚类：把数据分成K个簇，我用来分析不同合成条件下的产物类别
- 主成分分析（PCA）：降维利器，把几十个特征压缩到2-3个，方便可视化
- DBSCAN：能发现任意形状的簇，还能识别异常点
避坑指南：我曾经用K-means分析一组材料数据，结果分出来的簇毫无物理意义。后来发现是没做标准化——不同特征的量纲差太多，距离计算全乱套了。记住：无监督学习前，一定要做数据标准化。
3.3 强化学习：试错中成长
强化学习跟前面两种完全不同。它没有现成的数据，而是让智能体跟环境互动，通过奖励信号学习策略。
你想想看，这像不像做实验？你调整一个参数，看结果好坏，然后继续调。强化学习就是把这个过程自动化了。
核心要素：
- 智能体（Agent）：做决策的模型
- 环境（Environment）：材料合成或性能模拟系统
- 动作（Action）：比如调整温度、压力
- 奖励（Reward）：比如目标性能的提升
材料领域的应用：我见过一个团队用强化学习优化催化剂配方。智能体每次选择元素组合，环境返回催化活性作为奖励。跑了500轮后，找到了比人类专家设计高30%活性的配方。
3.4 特征工程：数据预处理的艺术
特征工程，说白了就是把原始数据变成模型能听懂的语言。这一步做不好，再牛的算法也白搭。
我个人的习惯是，花70%的时间做特征工程，30%的时间调模型。为什么？因为模型只是工具，数据才是根本。
常用操作：
- 缺失值处理：删除或填充。我一般用均值或中位数填充，别用0，除非你知道0有物理意义
- 标准化/归一化：把不同尺度的特征拉到同一范围
- 编码分类变量：比如「立方晶系」「六方晶系」转成数值
- 特征选择：去掉冗余特征，减少噪声
# 一个简单的特征工程示例（Python伪代码）
from sklearn.preprocessing import StandardScaler
# 原始数据：温度(300-1500K)，压力(1-100atm)，成分(0-1)
data = [[300, 1, 0.5], [1500, 100, 0.8]]
# 标准化
scaler = StandardScaler()
scaled_data = scaler.fit_transform(data)
# 结果：所有特征都在0附近，方差为1
小技巧：做材料数据时，可以构造一些物理特征。比如「熔点与成分的关系」「带隙与电负性的差值」。这些领域知识往往比原始特征更有预测力。
3.5 模型评估：别被漂亮数字骗了
模型训练完了，怎么知道它好不好？光看训练集上的准确率没用——那叫「自欺欺人」。
评估的核心是看模型在未见过的数据上的表现。我见过太多人把训练集和测试集混在一起评估，结果模型一上线就崩。
常用指标：
| 任务类型 | 指标 | 说明 |
|---|---|---|
| 回归 | MAE / RMSE / R² | MAE是平均绝对误差，RMSE对大误差更敏感，R²越接近1越好 |
| 分类 | 准确率 / 精确率 / 召回率 / F1 | 类别不平衡时别看准确率，看F1更靠谱 |
| 聚类 | 轮廓系数 / 兰德指数 | 轮廓系数衡量簇内紧密度和簇间分离度 |
我曾经踩过的坑：有一次做材料性能预测，模型在测试集上R²=0.95，我高兴坏了。结果部署后发现预测值全是训练集的平均值。后来一查，是数据泄露了——测试集里混入了训练集的样本。所以，一定要用交叉验证，而且确保数据分割时没有「未来信息」泄露到过去。
评估方法：
- 留出法：简单粗暴，70%训练，30%测试
- K折交叉验证：把数据分成K份，轮流做测试集。我一般用5折或10折
- 留一法：数据量少时用，每次留一个样本做测试
嗯，机器学习基础就聊到这儿。记住：模型是工具，数据是原料，领域知识才是灵魂。别光顾着调参，多想想你的数据从哪来、代表什么物理意义。