第10课：《动手预测：训练菜价预测模型》

【学习目标】

• 掌握蔬菜价格预测工具的使用方法

• 理解特征选择和算法配置对预测效果的影响

• 能分析训练结果并优化预测模型

【情境导入】

上节课我们学会了把影响因素变成数字，现在这些数字终于要派上用场了！今天，我们将亲手操作“蔬菜价格线性预测工具”，用真实的数据训练一个菜价预测模型。选择哪些特征？配置什么算法？训练效果好不好？这些问题的答案都藏在实践操作中。让我们化身“AI数据分析师”，用数据驱动的方式帮王阿姨预测菜价吧！

【知识大揭秘】

使用AI工具预测蔬菜价格，需要经过数据准备、模型配置和训练分析三个阶段：

第一阶段：数据准备。选择要预测的蔬菜类型（小白菜、西红柿或青椒），加载对应的价格数据集。数据集包含近6个月的每日数据：气温、降雨量、供应量、是否节假日、当日零售价。数据质量直接影响预测效果——数据越多、越准确，预测越可靠。

第二阶段：模型配置。选择特征变量和优化算法。特征变量的选择很关键：小白菜主要选气温和节假日，西红柿主要选气温和降雨量，青椒主要选供应量和气温。选对了特征，预测更精准；选错了特征，预测可能南辕北辙。优化算法则决定了AI如何从数据中找到规律，常用的有梯度下降法等。

第三阶段：训练与分析。点击“开始训练”后，AI会自动分析数据、调整参数。训练完成后，工具会显示：预测误差（预测价格和实际价格的差距）、误差变化曲线（误差是否在逐步减小）、不同特征组合的对比（哪些特征对预测最有帮助）。

如果预测误差较大，可以尝试：增加训练数据量、调整特征组合、更换优化算法。这就像调菜谱——味道不对就调整配料，直到满意为止。

【生活案例】小华的“菜价预测实验”
小华分别用三组特征预测小白菜价格：第一组只选气温，误差为0.8元；第二组选气温+节假日，误差降为0.5元；第三组选气温+节假日+供应量，误差降为0.3元。他发现：特征选得越多越准，但也不是越多越好——加上降雨量后误差反而略微增大了，因为小白菜价格对降雨量不太敏感。选对特征比选多特征更重要！

【AI看图学】

【动手玩一玩】

任务：训练蔬菜价格预测模型

步骤：
1. 打开蔬菜价格线性预测工具，选择“小白菜”
2. 第一次训练：只选择“气温”作为特征变量，记录预测误差
3. 第二次训练：选择“气温+节假日”，记录误差
4. 第三次训练：选择“气温+节假日+供应量”，记录误差
5. 对比三次训练的误差，分析哪些特征对预测最有帮助

预期结果：特征组合越合理，预测误差越小。气温和节假日是小白菜价格的关键影响因素。

【思考与延伸】

如果用同样的方法预测股票价格，你觉得会准确吗？什么样的预测任务适合用线性回归，什么样的不适合？