如何在Ubuntu中用Python进行机器学习

在Ubuntu环境下用Python搞机器学习，这事儿其实比大多数人想象的要简单。你不需要什么特殊配置，也不用装一堆莫名其妙的东西——跟着下面几步走，基本就能把环境搭起来，然后直接上手写模型。

先确认一件事：Python是不是已经装好了？Ubuntu默认自带Python 3，打开终端，敲一句 python3 --version，如果能看到版本号，那就省事了。如果发现没装，也别慌，两条命令就能搞定：

sudo apt update
sudo apt install python3 python3-pip

装好Python之后，下一步就是给机器学习“添砖加瓦”——装几个核心库。NumPy处理数据、Pandas做表格分析、Matplotlib画图、Scikit-learn跑经典模型，这几个基本是标配。用pip一次性安装：

pip3 install numpy pandas matplotlib scikit-learn

说到开发环境，Jupyter Notebook几乎是数据科学家的“标配武器”。它让你能边写代码边看结果，调试起来特别顺手。安装命令很简单：

pip3 install notebook

装完之后，终端里跑一句 jupyter notebook，浏览器就会自动打开一个交互式界面。如果你更喜欢在终端里写脚本，那跳过这一步也没问题。

要是你对深度学习感兴趣，那TensorFlow或PyTorch肯定是绕不开的。两个框架各有拥趸，选哪个看个人习惯。安装指令如下：

# TensorFlow
pip3 install tensorflow

# PyTorch
pip3 install torch torchvision torchaudio

环境搭好之后，就可以动手写代码了。新建一个Python文件，比如 machine_learning.py，然后试着跑一个最简单的线性回归模型。下面这个例子用Scikit-learn演示了从数据生成到模型训练、预测、评估的完整流程：

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
import numpy as np

# 创建一些简单的数据
X = np.array([[1], [2], [3], [4]])
y = np.array([2, 4, 6, 8])

# 将数据分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建线性回归模型实例
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测测试集的结果
predictions = model.predict(X_test)

# 计算并打印均方误差
mse = mean_squared_error(y_test, predictions)
print(f"Mean Squared Error: {mse}")

写完之后怎么跑？在终端里切到脚本所在目录，执行：

python3 machine_learning.py

这时候你会看到终端输出一个均方误差值——不出意外的话会非常小，因为数据本身就是一条完美的直线。当然，这只是一个热身练习。

机器学习这个领域太大了，从决策树到神经网络，从回归到聚类，每个方向都值得花时间啃。好在现在资源特别丰富，书籍、课程、教程视频、开源项目遍地都是。关键就一句话：别只看看，要动手跑代码。数据科学这行，实践才是真正的老师。