跳到主要内容

数学如何真正流到机器学习

本节定位

这不是一篇新的数学课，也不是一篇具体算法课。它的任务只有一个：把第三阶段学过的数学，真正接到第四阶段的机器学习建模流程里。

学习目标​

  • 看懂线性代数、概率统计、微积分在机器学习里各自负责什么
  • 建立“数据矩阵 -> 预测 -> 损失 -> 梯度 -> 更新”的统一视角
  • 不再把数学、代码、模型看成三套互不相干的东西
  • 为后面的线性回归、逻辑回归、评估与优化做桥接

零、先建立一张地图​

很多新人学完第三阶段，到了第四阶段还是会觉得像换了一门课。
原因通常不是数学没学，而是没有把数学对象和建模动作对上。

更稳的理解方式是先记住这一张图：

如果你先抓住这张图，后面看到公式时就不容易慌，因为你知道：

  • 它到底属于哪条数学主线
  • 它在建模流程里到底负责什么

一、线性代数：把数据和参数组织起来​

第三阶段里你已经见过：

  • 向量
  • 矩阵
  • 矩阵乘法
  • 线性变换

到了机器学习里，它们最直接的用途就是：

  • 用向量表示一个样本
  • 用矩阵表示一批样本
  • 用参数向量表示模型要学的权重

1.1 一个样本为什么会被写成向量？​

比如一个房子，我们可能用这些特征描述它：

  • 面积
  • 房间数
  • 楼层

那它就可以写成一个向量：

x = [120, 3, 15]

这不是为了写得高级，而是为了让模型能统一处理各种特征。

1.2 一批样本为什么会被写成矩阵？​

当有很多房子时，我们会把它们堆成一个矩阵 X：

import numpy as np

# 3 个样本，3 个特征
X = np.array([
    [120.0, 3.0, 15.0],
    [80.0,  2.0,  8.0],
    [150.0, 4.0, 20.0],
])

print("X 的形状:", X.shape)
print(X)

这时：

  • 行 = 样本
  • 列 = 特征

这就是后面你在 sklearn 里总会看到 X.shape = (n_samples, n_features) 的原因。

1.3 参数为什么也会写成向量？​

如果模型认为每个特征都有一个权重，那参数也能写成向量：

w = np.array([2.5, 30.0, 2.0])  # 每个特征一个权重
b = 50.0                        # 截距

pred = X @ w + b
print("预测值:", pred)

这里最关键的不是代码，而是意识到：

  • X 是数据
  • w 是模型学出来的参数
  • X @ w + b 就是在把“特征影响”加总成一个预测

1.4 线性代数在第四阶段后面会出现在哪？​

数学对象在第四阶段里会出现在哪
向量一个样本的特征表示
矩阵整个训练集 X
矩阵乘法线性回归、逻辑回归、PCA
特征值 / 特征向量PCA 降维

所以线性代数在机器学习里最核心的作用，不是推导，而是：

给数据和模型参数一个统一、可计算的表示方式。

二、概率统计：描述不确定性，定义好坏​

如果线性代数负责“把东西摆好”，那概率统计负责的是：

  • 怎么描述模型输出的可信度
  • 怎么定义预测错得多不多
  • 怎么评估模型到底好不好

2.1 为什么逻辑回归会输出概率？​

在线性回归里，我们预测的是连续值。
但在分类里，我们更关心：

  • 这个样本属于正类的概率有多大？

一个最小例子可以这样理解：

import numpy as np

z = np.array([-2.0, -0.5, 0.0, 1.0, 3.0])
prob = 1 / (1 + np.exp(-z))

print("线性打分 z:", z)
print("概率输出:", np.round(prob, 4))

这里的 prob 就是在把“线性打分”压到 0~1 之间。
所以你可以把概率统计在这里的作用理解成：

  • 帮我们把模型输出变成“可解释的不确定性”

2.2 为什么损失函数和概率有关？​

在监督学习里，我们要判断模型预测得好不好。
这时概率统计会进入两个地方：

  • 回归里：常常通过误差分布来理解 MSE / MAE
  • 分类里：常常通过概率视角来理解交叉熵

一个非常朴素的理解方式是：

  • 预测越接近真实值，损失越小
  • 对真实类别越有把握，分类损失越小

2.3 概率统计在第四阶段里会出现在哪？​

概率统计概念在第四阶段里会出现在哪
概率输出逻辑回归、分类阈值
分布和波动数据分析、异常检测
均值 / 方差标准化、偏差-方差权衡
统计评估指标、交叉验证、实验比较

所以概率统计在机器学习里最重要的工作，不只是“算概率”，而是：

帮助我们表达不确定性、定义损失、比较模型。

三、微积分：告诉模型参数该往哪里改​

前面两条线解决了：

  • 数据怎么表示
  • 结果怎么评价

但模型还差最后一步：

  • 如果结果不好，参数到底该怎么改？

这就是微积分进场的地方。

3.1 梯度下降最朴素的意思是什么？​

你完全可以先不记公式，先记这句话：

如果损失大，就顺着“让损失变小”的方向，一点点改参数。

这就是梯度下降最核心的直觉。

3.2 一个最小可运行的梯度下降例子​

下面这个例子只做一件事：
用最简单的线性关系 y = wx + b，看参数怎么被一点点学出来。

import numpy as np

np.random.seed(42)
x = np.array([1.0, 2.0, 3.0, 4.0, 5.0])
y = np.array([3.2, 5.1, 7.0, 8.9, 11.1])  # 大致接近 2x + 1

w = 0.0
b = 0.0
lr = 0.05

for epoch in range(200):
    y_pred = w * x + b
    loss = np.mean((y - y_pred) ** 2)

    dw = -2 * np.mean(x * (y - y_pred))
    db = -2 * np.mean(y - y_pred)

    w -= lr * dw
    b -= lr * db

print("学到的 w:", round(w, 4))
print("学到的 b:", round(b, 4))
print("最终损失:", round(loss, 6))

这个例子里最值得记住的不是公式本身，而是这 4 步：

  1. 先预测
  2. 再算损失
  3. 再算梯度
  4. 最后更新参数

这 4 步就是后面深度学习训练循环的雏形。

3.3 微积分在第四阶段里会出现在哪？​

微积分概念在第四阶段里会出现在哪
导数线性回归的优化
梯度梯度下降更新参数
链式法则这里先弱化感知，第五阶段会更重要
最优化调参、训练、损失下降

所以微积分在这里最重要的作用是：

让“模型变好”从一句口号变成一个可计算、可执行的更新过程。

四、把三条线真正合在一起​

如果把一轮最小的机器学习训练拆开看，其实就是下面这几步：

你可以把它翻译成一句最重要的人话：

先把数据和参数组织起来，再定义“好不好”，再根据梯度一点点把参数往更好的方向推。

这就是第三阶段数学真正流到第四阶段机器学习里的方式。

五、一个更适合新人的“读公式”方法​

后面第四阶段你会越来越常看到公式。
新人最怕的是一上来把它们看成一整块陌生符号。

更稳的读法是每次都先拆成这 4 个问题：

  1. 这里的 X、x、w、b 是谁？
  2. 这是在做预测，还是在算损失？
  3. 这是概率 / 统计量，还是梯度 / 更新量？
  4. 这一步放在训练流程里属于哪一环？

只要你这样拆，公式就会越来越像“流程语言”，而不是“符号墙”。

六、这节最该带走什么​

如果只带走一句话，我希望你记住：

第三阶段的数学，不是第四阶段的前置包袱，而是第四阶段每一步建模动作背后的语言。

所以这一节最重要的收获应该是：

  • 看到矩阵时，想到数据和参数怎么组织
  • 看到概率和损失时，想到模型好坏怎么定义
  • 看到梯度时，想到参数怎么被更新
  • 不再把数学、代码、模型当成三套互相断开的东西
下一步怎么学最顺

看完这页后，最推荐直接接着学：

  1. 1.2 Scikit-learn 框架入门
  2. 2.1 线性回归
  3. 4.1 评估指标

这样你会最明显地感受到“数学真的开始在模型里工作了”。