后记之前一直以为用的是TensorFlow原来我用的是 Scikit-learn。两者都可以实现机器学习。前者更适合实现深度神经网络。更正题目。已经搭建好环境开始学习加州房价机器学习例子目标理解相关概念掌握机器学习例子开发流程 加油每天一点点进步学习前的几点困惑怎么训练数据集怎么清洗数据这个例子用的是线性回归模型可不可以用别的模型呢用这个例子的框架可不可以换成我自己的一个数据集呢不是房价的其他的数据是不是要修改一些属性模型本身不用变吧工作量有多大怎样让我的应用程序调用这个机器学习例子吗有接口吗好多疑问期待学习之后能够找到答案加油2025.4.15参考网址按照教程继续补全加州房价例子代码运行看看结果边做边学吧查看数据统计信息成功增加可视化分布代码运行失败提示少matplotlib用pip安装再运行出错提示少seaborn继续pip安装再运行终于成功了相关性分析增加代码运行成功但需要关闭上一个柱状图窗口才能看到运行结果数据清洗与预处理检查缺失值成功数据标准化运行之后没看到什么结果待分析训练一个简单的模型划分数据集训练线性回归模型运行成功感受比预想的简单训练一个线性回归模型几行代码就实现了可是很多不明白线性回归模型不太了解python编程没学过代码语法不清楚数据集格式是是啥不清楚怎么输出参数及其权重哪个参数对房价影响最大在哪里看用什么代码如果构建自己的模型改改算法怎么办后记Scikit-learn传统机器学习工具箱范围专注于经典机器学习算法如逻辑回归、支持向量机、随机森林、K-Means 聚类、PCA 降维等。设计理念易用性和一致性。它提供了统一的 APIfit、predict、transform让你可以像搭积木一样快速尝试各种算法。它不专注于深度学习虽然有多层感知机但功能较弱。适合人群数据清洗、特征工程、快速建模和模型评估。TensorFlow深度学习框架范围专注于构建和训练复杂的神经网络如卷积神经网络CNN、循环神经网络RNN、TransformerBERT、GPT 等以及大规模的分布式训练。设计理念灵活性和可扩展性。它允许你自定义网络层、损失函数、训练循环并且能利用 GPU/TPU 加速大规模矩阵运算。适合人群图像识别、自然语言处理、语音识别等需要深层网络和海量数据的场景。特性Scikit-learnTensorFlow核心数据结构NumPy 数组、Pandas DataFrameTensor张量主要算法逻辑回归、SVM、随机森林、KNNCNN、RNN、LSTM、Transformer计算方式通常在 CPU 上运行部分支持多核原生支持 GPU/TPU 加速模型规模适合中小型数据通常内存能放下适合海量数据和超大模型定制化程度低算法已经封装好调参为主高可以自定义任何计算细节能否支持反向传播不能或不擅长自动微分核心功能就是自动微分与梯度下降