当前位置：首页 > web >正文

从 Excel 趋势线到机器学习：拆解 AI 背后的核心框架

web 2025/9/7 6:38:59

引言：你其实早就 “玩转” 过机器学习？

提到 “机器学习”，你是不是第一时间联想到复杂的代码、密密麻麻的公式，还有那些让人头晕的 “算法”“模型”“训练” 术语？仿佛它是高高在上的技术，离我们的日常无比遥远？

但今天我要揭开一个小秘密：你可能早就在不知不觉中 “用过” 机器学习了！

想想看，你是否在 Excel 里处理过这样的数据：比如 “广告投入（x）与销售额（y）”，假设你有 10 组数据（如下表），先把数据输入 Excel 并插入散点图，然后右键点击图表，选择 “添加趋势线”，再从弹出的选项里挑 “线性” 类型 —— 很快，Excel 就会画出一条平滑的直线，旁边还标注出趋势线方程（比如 y=5.2x+18.6）和 R² 值（比如 0.92）。

广告投入（万元）x	1	2	3	4	5	6	7	8	9	10
销售额（万元）y	25	30	38	42	48	55	62	68	75	80

别小看这个操作！当你完成这一系列步骤时，你已经亲手完成了一次最基础、最直观的机器学习任务。而今天，我们就从这个你熟悉到不能再熟悉的 Excel 功能出发，一点点拆解机器学习的核心框架，让那些看似高深的概念，都变得像 “添加趋势线” 一样简单易懂。

第一部分：机器学习到底在做什么？—— 它的终极目标

其实机器学习的核心目标特别朴素，一句话就能说清：从已有数据中自动找出规律，再用这个规律预测未来的结果。

它不像我们想象中那么 “玄乎”，本质上就是在解决 “根据已知推未知” 的问题。比如：

预测房价时，它会根据 “房屋面积、地段、房龄” 这些已知信息（输入），找出它们和 “房价”（输出）之间的关系，进而预测一套新房的价格；

识别垃圾邮件时，它会分析 “邮件标题、内容里的关键词、发件人信息”，总结出垃圾邮件的特征，然后判断一封新邮件是不是垃圾邮件；

电商 APP 给你推荐商品时，它会梳理你的 “浏览记录、购买历史、收藏列表”，找到你喜欢的商品类型，再推送你可能感兴趣的新品。

如果用更数学的语言来描述，机器学习的本质就是寻找一个合适的数学函数 y = f (x)。这里的 x 是我们能拿到的 “输入数据”（比如房屋信息、邮件内容），y 是我们想得到的 “输出结果”（比如房价、是否为垃圾邮件），而 f (x) 就是连接 x 和 y 的 “规律”—— 我们一开始并不知道 f (x) 具体长什么样，但机器学习能帮我们从海量数据中，把这个 “隐藏的函数” 给 “学” 出来。

第二部分：如何实现机器学习？—— 标准工作流程拆解

就像我们做任何事情都有步骤一样，机器学习也有一套固定的、经过无数实践验证的 “标准工作流程”。把这个流程理清，你就掌握了机器学习的 “骨架”。整个过程可通过以下流程图清晰展示，共分为 6 个关键步骤，每一步都有明确的目标：

1. 数据准备与划分：打好 “地基”

机器学习的一切都依赖数据，所以第一步必须把数据处理好。首先要做的是 “数据收集”—— 从数据库、API 接口、Excel 表格等地方获取需要的原始数据；然后是 “数据清洗”—— 删除重复数据、填补缺失值、修正错误数据（比如把 “年龄 = 200” 这种明显不合理的值处理掉），确保数据的准确性。

这一步里有个至关重要的操作：把清洗好的数据分成三部分 —— 训练集、验证集和测试集。它们的作用就像学生学习时的 “教材”“练习题” 和 “期末考试卷”，各自承担不同的角色，缺一不可。比如上述 “广告投入与销售额” 数据，可按 7:2:1 的比例划分，7 组数据作为训练集，2 组作为验证集，1 组作为测试集。

2. 模型选择：选对 “工具”

数据准备好后，就要选择 “模型” 了。模型其实就是我们前面提到的 “函数形式”，比如想找线性关系，就选 “线性模型”；想处理更复杂的非线性关系，就选 “决策树”“神经网络” 等。

这一步就像你修桌子时选择工具：如果只是拧螺丝，用螺丝刀就够了；如果要锯木板，就得用锯子。选对模型，后续的工作才能事半功倍。比如 “广告投入与销售额” 数据从散点图看呈线性趋势，选择线性模型就很合适。

3. 模型训练：让模型 “学习” 规律

选好模型后，就进入 “训练” 阶段。我们会把 “训练集” 数据输入到模型里，让模型通过专门的 “优化算法”（比如梯度下降），自动调整内部的 “参数”（比如线性模型 y=wx+b 里的 w 和 b）。

这个过程就像学生看教材学习：模型会不断对比自己的 “预测结果” 和训练集中的 “真实结果”，然后一点点修正参数，直到预测结果和真实结果的差距（误差）越来越小 —— 就像学生通过看书，不断纠正自己对知识点的理解一样。比如用 “广告投入与销售额” 的 7 组训练数据训练线性模型，最终得到 w=5.2、b=18.6 的参数。

4. 模型验证与调优：帮模型 “查漏补缺”

训练完模型，不能直接用，得先 “检验” 一下它的水平。这时候 “验证集” 就派上用场了：我们把验证集数据输入到训练好的模型里，看它的预测效果如何（比如用准确率、误差值等指标评估）。

如果效果不好，就要进行 “调优”：比如调整 “超参数”（不是模型内部的参数，而是我们人为设定的配置，比如学习率、决策树的深度），或者换一个更合适的模型，然后重新训练、重新验证 —— 这个过程就像学生做练习题，发现哪里不会就回头复习，直到练习题的正确率达标。

5. 模型测试：给模型做 “最终考核”

当模型在验证集上表现足够好时，就该用 “测试集” 做最终评估了。这里有个关键原则：测试集的数据，模型在训练和验证阶段绝对不能见过。

因为测试集的作用是模拟 “真实的未知场景”，评估模型在没见过的数据上的表现 —— 就像期末考试的题目都是学生没做过的，只有这样才能真实反映学生的学习水平。如果测试集的结果达标，说明这个模型可以用了；如果不达标，就得回到前面的步骤，重新优化。

6. （可选）最终模型训练：让模型 “火力全开”

如果测试结果满意，还有一个可选步骤：把 “训练集 + 验证集” 合并成新的训练数据，用之前确定好的模型和超参数，重新训练一次，得到最终的部署模型。

为什么要这么做？因为验证集本来也是优质数据，把它加进来一起训练，能让模型学到更多规律，性能更稳定 —— 就像学生考完试后，把教材和练习题再复习一遍，巩固所有知识点，然后再去应对实际问题。

第三部分：核心概念速览：5 分钟搞懂关键术语

在继续往下聊之前，我们先把几个最核心的术语明确一下，避免后面出现理解偏差。这些术语就像机器学习的 “基础词汇”，记住它们，就能轻松看懂大部分内容：

模型 (Model)：就是我们假设的 “函数形式”，比如线性模型 y=wx+b、决策树模型、神经网络模型等，它决定了我们用什么 “方式” 去寻找数据中的规律。

参数 (Parameters)：模型内部可以自动学习的变量，比如线性模型里的 w（斜率）和 b（截距），训练的过程就是调整这些参数的过程。

超参数 (Hyperparameters)：需要我们在训练前人为设定的 “配置项”，比如学习率（控制参数调整的速度）、决策树的最大深度（控制模型的复杂度），超参数不能靠模型自动学习，只能通过验证集调优。

训练集 (Training Set)：用来 “教” 模型学习的数据集，相当于学生的 “教材”，模型主要靠它来学习规律。

验证集 (Validation Set)：用来 “检验模型学习效果” 并 “调优” 的数据集，相当于学生的 “练习题”，帮助我们找到模型的最佳配置。

测试集 (Test Set)：用来 “评估模型最终能力” 的数据集，相当于学生的 “期末考试卷”，是对模型真实性能的最终检验。

过拟合 (Overfitting)：模型的 “致命问题” 之一。指模型把训练数据里的 “噪声”（比如数据记录时的偶然误差）都当成了 “规律”，导致在训练集上表现很好，但在新数据（比如测试集）上表现很差。就像学生死记硬背了练习题的答案，换一道新题就不会做了。

第四部分：类比强化：Excel 拟合曲线 vs. 机器学习

机器学习的核心目的是预测未知，即当遇到未在训练数据中出现的输入 x 时，能通过学到的规律（模型）计算出对应的输出 y。这一点在 Excel 拟合曲线操作中也有直观体现，我们结合 “广告投入与销售额” 的 Excel 实操例子，把 Excel 的 “趋势线” 操作和机器学习的标准流程完整对比：

Excel 拟合曲线实操示例

先将 “广告投入与销售额” 的 10 组数据输入 Excel，A 列是 x（广告投入），B 列是 y（销售额），插入散点图后，右键点击散点选择 “添加趋势线”：

选 “线性” 趋势线：Excel 自动生成趋势线方程 y=5.2x+18.6，R²=0.92，散点图上呈现一条穿过数据点中心的直线，能较好反映两者线性关系；

若选 “多项式” 且阶数设为 5：趋势线会扭曲地穿过几乎所有散点，但 R² 接近 1，此时若代入 x=11（未知广告投入），计算出的 y 值会与实际预期偏差极大，这就是过拟合。

流程对比表

机器学习步骤	Excel 拟合曲线操作（以 “广告投入与销售额” 为例）	类比说明
1. 数据准备	将 x（1-10）、y（25-80）分别输入 Excel A、B 列，整理成表格	无论是机器学习还是 Excel 拟合，“干净的原始数据” 都是基础，数据乱了，后续都白搭。
2. 数据划分	（隐含操作）心里确定用前 7 组数据画趋势线（训练），留后 3 组检验（2 组验证、1 组测试）	Excel 没有明确的 “划分” 功能，但理想情况下，会留部分数据检验，也能对 x=11 这类未知值预测。
3. 模型选择	右键散点图→“添加趋势线”→选 “线性”（而非 “多项式”）	选 “线性” 趋势线，就是机器学习里的 “模型选择”，为后续预测未知数据（如 x=11）打基础。
4. 训练与调参	Excel 自动计算出趋势线斜率 5.2、截距 18.6，生成方程 y=5.2x+18.6	Excel 将 “选模型” 和 “算参数” 合并；机器学习则分开，先选线性模型，再用训练集调参，最终都得到能预测未知的 “函数表达式”。
5. 模型评估	查看 R²=0.92（拟合优度高），且用第 8 组 x=8 验证，预测 y=5.2×8+18.6=59.2，接近真实 y=68（误差较小）	R² 越接近 1，对已知数据拟合越好，对未知数据预测越可靠，和机器学习用测试集验证逻辑一致。
6. 警惕过拟合	选 5 阶多项式，趋势线扭曲穿过所有散点，但用 x=10 测试，预测 y 与真实 80 偏差大	这就是 “过拟合”！曲线贴合现有数据，却丢失真实规律，导致未知 x 预测偏差大，机器学习需用验证集避免。
7. 预测未知（核心目的）	代入未知 x=11（广告投入 11 万元），用方程算 y=5.2×11+18.6=75.8（预测销售额 75.8 万元）	这是机器学习核心目标的体现！机器学习训练模型，就是为了对新输入 x 输出准确 y，Excel 算未知 y 同理。