0796.md

Error in user YAML: (<unknown>): could not find expected ':' while scanning a simple key at line 3 column 1

---
- oeasy Python 0796
- 这是 oeasy 系统化 Python 教程，从基础一步步讲，扎实、完整、不跳步。愿意花时间学，就能真正学会。
本教程同步发布在： 

     个人网站： `https://oeasy.org` 
     蓝桥云课： `https://www.lanqiao.cn/courses/3584` 
     GitHub： `https://github.com/overmind1980/oeasy-python-tutorial` 
     Gitee： `https://gitee.com/overmind1980/oeasypython` 
---

从零开始

传统机器学习

• 传统的 机器学习
  • 使用 机器学习的方式解决问题
  • 不使用 现代的大模型

• 开源的机器学习类库
  • http://scikit-learn.org/stable/index.html
  • scikit
    • science 科学
    • kit 工具包套件

球员潜力评估

• 球探 会根据 潜在球员的 数据
  • 判断 他是否适合 成为职业球员

• 能否把这个过程用代码实现？

估计器(estinator)

• 生成了 球探 模型

# 球探专用 NBA球员潜质分类器 | 纯数值X 无字典 无pandas 原生sklearn
import numpy as np
from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier(random_state=42)

• 这个 数字球探 是一个

  • estinator
  • 评估器
  • 对 潜在球员进行判断

• 怎么才能 训练出 这样的球探 呢？

准备数据集(DataSet)

• 有这样的
  • 数据集(DataSet)

• 前面的5个 不具备潜质

姓名/群体	身高	臂展	体重	类别
Tom Wilson	1.75m	1.78m	70kg	普通人群
Emma Davis	1.65m	1.68m	55kg	普通人群
Jack Miller	1.83m	1.85m	85kg	普通人群
Olivia Brown	1.70m	1.73m	60kg	普通人群
Lucas Taylor	1.91m	1.96m	95kg	普通人群
B.J. Armstrong	1.88m	1.93m	82kg	NBA球员
Michael Jordan	1.98m	2.11m	90kg	NBA球员
Scottie Pippen	2.03m	2.21m	102kg	NBA球员
Horace Grant	2.08m	2.13m	111kg	NBA球员
Bill Cartwright	2.16m	2.27m	116kg	NBA球员

• 后面的五个 具备潜质

代码化

• X 是一个二维矩阵
  • 每个元素 是一个人的信息
• 每个人
  • 都包括 身高、臂展、体重
  • 这是 潜在球员的 特征(features)

# X = 特征矩阵 每一行 = 一个人 | 每一列依次是：身高(m)、臂展(m)、体重(kg)

X = [
    [1.75, 1.78, 70],
    [1.65, 1.68, 55],
    [1.83, 1.85, 85],
    [1.70, 1.73, 60],
    [1.91, 1.96, 95],
    [1.88, 1.93, 82],
    [1.98, 2.11, 90],
    [2.03, 2.21, 102],
    [2.08, 2.13, 111],
    [2.16, 2.27, 116]
]

• 具体是否适合做球员
  • 需要人为打上标签(lable)

# y = 标签数组 一一对应上面的X，0=无潜质 1=有潜质
y = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

• y是标签(lable)
  • 这是一种有监督的学习

拟合(fitting)

# =============== 2. 训练分类模型 ==============
# 随机森林 球探最优选择，小样本纯数值数据 准确率100%，无需预处理/标准化
model.fit(X, y)  # 直接用纯数值训练，一步完成

• 根据
  • 数据集(dataset) 中的
    • 特征(feature)
    • 标签(lable)
  • 拟合(fitting) 出 相应的规律
  • 生成评估者(estinator)

• 有了评估者(estimator) 具体怎么评估呢？

预测

• 把 待预测数据
  • 交给 评估者(estimator)

# ==== 3. 球探核心：球员潜质判断函数 (复制即用) ====
def judge_player(name, height, arm_span, weight):
    """
    输入球员信息，判断是否有NBA潜质
    :param name: 球员姓名
    :param height: 身高(m) 例:1.98
    :param arm_span: 臂展(m) 例:2.11
    :param weight: 体重(kg) 例:90
    :return: 球探评估结果
    """
    player = [[height, arm_span, weight]]
    pred = model.predict(player)[0]
    confidence = model.predict_proba(player)[0][pred] * 100
    if pred == 1:
        return f"✅ {name} | 具备NBA球员潜质 | 入选置信度：{confidence:.1f}%"
    else:
        return f"❌ {name} | 无NBA球员潜质 | 排除置信度：{confidence:.1f}%"

# =====4. 实战预测演示 (直接调用即可) ====
print(judge_player("Jordan复刻版", 1.98, 2.11, 90))
print(judge_player("普通路人", 1.80, 1.82, 76))
print(judge_player("内线新星", 2.10, 2.26, 113))
print(judge_player("潜力后卫", 1.90, 1.95, 84))

• 完成 预测(predicting)

模型核心就两个

• 通过拟合(Fit) 生成 评估器(estimator)

• 根据 评估器(estimator) 进行 预测(predicting)

完整代码

# 球探专用 NBA球员潜质分类器 | 纯数值X 无字典 无pandas 原生sklearn
import numpy as np
from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier(random_state=42)

# X = 特征矩阵 每一行 = 一个人 | 每一列依次是：身高(m)、臂展(m)、体重(kg)
X = [
    [1.75, 1.78, 70],
    [1.65, 1.68, 55],
    [1.83, 1.85, 85],
    [1.70, 1.73, 60],
    [1.91, 1.96, 95],
    [1.88, 1.93, 82],
    [1.98, 2.11, 90],
    [2.03, 2.21, 102],
    [2.08, 2.13, 111],
    [2.16, 2.27, 116]
]
# y = 标签数组 一一对应上面的X，0=无潜质 1=有潜质
y = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

# ===================== 2. 训练分类模型 =====================
# 随机森林 球探最优选择，小样本纯数值数据 准确率100%，无需预处理/标准化
model.fit(X, y)  # 直接用纯数值训练，一步完成

# ==== 3. 球探核心：球员潜质判断函数 (复制即用) ====
def judge_player(name, height, arm_span, weight):
    """
    输入球员信息，判断是否有NBA潜质
    :param name: 球员姓名
    :param height: 身高(m) 例:1.98
    :param arm_span: 臂展(m) 例:2.11
    :param weight: 体重(kg) 例:90
    :return: 球探评估结果
    """
    player = [[height, arm_span, weight]]
    pred = model.predict(player)[0]
    confidence = model.predict_proba(player)[0][pred] * 100
    if pred == 1:
        return f"✅ {name} | 具备NBA球员潜质 | 入选置信度：{confidence:.1f}%"
    else:
        return f"❌ {name} | 无NBA球员潜质 | 排除置信度：{confidence:.1f}%"

# =====4. 实战预测演示 (直接调用即可) ====
print(judge_player("Jordan复刻版", 1.98, 2.11, 90))
print(judge_player("普通路人", 1.80, 1.82, 76))
print(judge_player("内线新星", 2.10, 2.26, 113))
print(judge_player("潜力后卫", 1.90, 1.95, 84))

• 运行结果

总结

• 这一次我们初步了解了机器学习的基本概念

核心术语	对应代码	本质
Feature（特征）	$X$	输入模型的量化数据
Label（标签）	$y$	数据的目标结果
Estimator（估计器）	RandomForestClassifier()	机器学习模型/算法本身
Fitting（拟合）	clf.fit(X, y)	训练模型
Predicting（预测）	clf.predict(X_new)	应用模型

类比

• 围棋模型
  • 经过训练 得到 评估器(estimator)
• 评估器 在现实中
  • 预测(predict) 下一步

• 有没有什么 突破ai模型的 认知 呢？

厨师登场

print(judge_player_scaled("矮壮胖子", 170, 172, 116))

疑问

• 我有一个疑问
  • 使用身高、臂展、体重数据
  • 构成了数字球探可以进行分析

• 但是
  • 身高臂展数值 不超过3
  • 体重数值 却超过100
  • 体重的 权重 会不会过大？？

• 当前模型 是否会因为 单位不同进行误判呢？🤔
• 我们下次再说👋

---

• 本文来自 oeasy Python 系统教程。
• 想完整、扎实学 Python，
• 搜索 oeasy 即可。