A.4 机器学习

训练并评价简单分类器

区分训练与预测，解释泛化、偏差与评价。

示例使用 Python。HL 路径包含 SL 之外的额外课程。

从样例中学习规律

监督学习的训练样例包含特征和已知标签。垃圾邮件分类器可使用消息特征，以及垃圾邮件或正常邮件等标签。训练利用样例调整模型，预测则把学到的模型应用于新消息。

无监督学习在没有目标标签的情况下寻找结构，例如相似消息的聚类。聚类结果并不会自动成为有意义的类别，仍需结合情境解释。

模型可能记住训练数据，却无法处理新样例。测试样例应与训练数据分离，特征也不应泄露答案。评价数据应代表实际使用时的人群和情境。

100 封邮件中若有 95 封正常邮件，总是预测正常的模型准确率为 95%，却漏掉所有垃圾邮件。应分析误报与漏报，并解释两者对用户的不同影响。

	Predicted spam	Predicted legitimate
Actual spam	4	1
Actual legitimate	3	92

为什么训练准确率不足以证明模型有效？查看答案

它衡量的是已经参与拟合的样例。评价泛化需要有代表性的未见测试数据。

我们在编写本课程时参考了这些官方文件，用以确定考纲结构和课程要求。

International Baccalaureate · 2027 年首次评估

此 PDF 为 IB 公开学科简介。完整学科指南与评估要求可通过学校或 IB 课程资源中心获取。