AI時代撲面而來，在大衆面對ChatGPT和Sora發出無數驚歎號的時候，我決定不再只當一個AI時代的API調用者，而是去學習機器學習技術本身。
剛好公司也要往人工智能方向發展的計劃，於是我開始從基礎學習，發現了一個寶藏開源機器學習庫：scikit-learn。
scikit-learn文檔健全，社區生態非常完善，這也是我選擇它進行學習的原因之一。它不僅提供了大量機器學習的算法實現和強大模型，還爲開發者提供了數據生成和處理的函數，方便針對中小型數據（千萬級以下數據）進行預測和分析。
機器學習根據數據的類型和學習任務不同大體分爲監督學習、非監督學習、半監督學習、強化學習。
監督學習：
在監督學習中，算法接收到帶有標籤（或者目標）的訓練數據，它的任務是學習一個從輸入到輸出的映射關係，以便對未標記的數據進行預測或分類。因此，監督學習的關鍵特徵是訓練數據集包含輸入和對應的期望輸出。這種期望輸出可以是類別標籤（分類任務）或連續值（迴歸任務）。
非監督學習：
在非監督學習中，算法接收到的訓練數據沒有任何標籤信息，它的任務是從數據中發現隱藏的結構或模式。非監督學習的目標通常包括聚類（將數據劃分爲不同的組別）、降維（減少數據的維度以便更好地可視化或壓縮數據）、關聯規則挖掘等。
半監督學習：
半監督學習結合了監督學習和非監督學習的元素。在這種情況下，數據集中只有一小部分數據帶有標籤，而大多數數據是未標記的。半監督學習的目標是利用標記數據和未標記數據來提高模型的性能。
強化學習：
強化學習與監督學習和非監督學習有所不同，它涉及到代理與環境的交互，並根據執行的動作而獲得的獎勵或懲罰來學習最優策略。強化學習的目標是使代理在特定任務中獲得最大的長期獎勵。
最簡單的一種迴歸任務就是線性迴歸，我就從這個學習任務開始入手。
線性迴歸就是一種分析方法，用來看看輸入特徵和輸出目標之間是不是有線性關係。比如一個人的體重增加，和他每天攝入的能量以及消耗的能量有線性關係。
那麼進行編程時間，首先安裝scikit-learn庫，可以使用pip命令如下：
pip install scikit-learn
下面是一個線性迴歸的簡單案例：
from sklearn.linear_model import LinearRegression
import numpy as np
# Sample data
X = np.array([[1], [2], [3], [4], [5]]) # Input feature
y = np.array([2, 3.5, 2.8, 4.6, 5.2]) # Output target
# Create a linear regression model
model = LinearRegression()
# Fit the model to the data
model.fit(X, y)
# Make predictions
X_new = np.array([[6], [7]]) # New data for prediction
predictions = model.predict(X_new)
print("Predictions:", predictions)
執行這段代碼，輸出值爲：
Predictions: [5.87 6.62]
看起來似乎有點意思，但是我們怎麼才知道這個預測是否準確呢？