第4章 数据、模型与预测：AI 为什么不能离开好数据

本章导读

第3章解决的是怎样让 AI 协同学习环境先跑起来的问题。到了第4章，我们要往前多走一步：当 AI 给出一个预测、一个判断、一个看起来很专业的结论时，它到底依据什么？

很多学习者第一次接触人工智能时，容易把它想成一种会自己思考的神奇机器。它能写文章、能回答问题、能总结资料，好像什么都懂。可是，只要进入一个具体任务，问题马上就会出现：同样是让 AI 判断一个学习者的体测情况，如果给它的数据是真实、完整、干净的，它可能给出有参考价值的分析；如果数据里混入了明显错误，比如一个学习者立定跳远 1800cm，AI 也可能被这条离谱数据带偏。

本章不从复杂公式讲起，也不要求你手写机器学习程序。我们从一个每个人都能理解的例子开始：根据一组虚拟体测数据，观察 Notebook 中的简单模型如何根据身高、体重估计立定跳远距离，并让 AI 伴学助手帮助解释结果。然后，我们故意加入一条错误数据，观察预测结果发生什么变化。

这件事看起来很小，却能说明人工智能最重要的一条底层逻辑：模型不是凭空变聪明的，它是在数据中寻找规律；数据错了，模型学到的规律也会跟着错。

本章的学习重点不是会不会写代码，而是学会三件事：第一，看懂数据、模型、预测之间的关系；第二，知道异常数据为什么会影响模型判断；第三，养成先查数据，再信结果的基本习惯。 *** > 《论语》说：君子求诸己。 > 面对 AI 的回答，不能只看它说得像不像对，还要追问依据是什么。把输入、过程和结果拆开看，判断才会回到自己手里。

学习目标

• 知识目标：
  1. 能用自己的话说明数据 → 模型 → 预测这条人工智能基本链路。
  2. 能解释什么是特征、标签、趋势线和误差。
  3. 能说明为什么错误数据会影响模型判断。
• 能力目标：
  1. 能运行本章配套 Notebook 中的预置小实验，观察正常数据和异常数据下预测结果的变化。
  2. 能填写一张简单的数据观察表，记录模型预测值、误差变化和异常原因。
  3. 能借助 AI 伴学助手，用通俗语言解释一次模型结果是否可信。
• 素养目标：
  1. 建立 AI 输出需要检查依据的意识，不盲信模型结果。
  2. 认识到涉及学生评价、身体数据、成绩判断等场景时，AI 只能辅助分析，不能替代专业人员和人的判断。
  3. 初步形成数据安全与隐私保护意识。

先修要求与环境清单

• 先修知识：已完成第3章，能打开 VS Code 和配套 Notebook；知道 AI 伴学助手和本地大模型服务的大致作用。
• 实践材料：本章 Notebook：notebooks/ch04_data_model_prediction.ipynb。
• 样例数据：虚拟体测数据表，包含三个字段：
  • height：身高，单位 cm；
  • weight：体重，单位 kg；
  • jump_distance：立定跳远距离，单位 cm。
• 实践方式：本章只需要运行、观察、记录和解释，不需要从零编写程序。

本章提醒：本章使用的是虚拟数据。真实的学生身高、体重、体测成绩属于个人信息，不能随意上传到公共 AI 平台，也不能在没有授权的情况下公开传播。

知识准备：先认识这些词

1. 数据（data） 可以理解为 AI 用来学习的材料。体测表、商品销量表、天气记录、设备运行日志，都可以是数据。

2. 模型（model） 可以理解为 AI 从数据中总结出来的一套规律。模型不等于数据本身，它更像是从数据里学到的判断方法。

3. 预测（prediction） 当模型面对新的情况时，根据已经学到的规律给出的估计结果。例如输入身高 175cm、体重 65kg，模型估计其立定跳远距离。

4. 特征（feature） 用来帮助模型判断的已知信息。在本章中，身高和体重就是特征。

5. 标签（label） 模型想要预测的目标结果。在本章中，立定跳远距离就是标签。

6. 趋势线 当一堆数据点散在图上时，模型会尝试找到一条最能代表整体变化方向的线。它不一定经过每一个点，但尽量靠近大多数点。

7. 误差 预测值和真实值之间的差距。误差越大，说明模型这次估计得越不准。

8. 异常数据 明显不符合常识或记录规则的数据。例如普通学生立定跳远不可能达到 1800cm，这就是异常数据。

4.1 问题与现象：模型为什么会被一条错误数据带偏？

想象某课程正在整理一批虚拟体测数据。体育专业人员希望通过数据发现一些有用规律，例如：同样的身高和体重条件下，有些学习者跳远成绩明显高，可能说明爆发力或技术动作较好；有些学习者跳远成绩明显低，可能需要进一步观察起跳姿势、摆臂动作或训练情况。

如果数据很多，体育专业人员逐条查看会很耗时。于是可以让 Notebook 中的简单模型帮忙做一件事：根据已有学习者的身高、体重和跳远距离，估计某个学习者在这个体型条件下大概能跳多远。

这个任务本身并不复杂，但它能暴露一个关键问题：准确地说，模型不是直接理解人的身体素质，它只是根据数据中的关系进行估计。

如果数据表里大部分记录比较正常，模型会学到一个大致合理的趋势。例如，身高较高、体重适中、训练较好的学生，可能整体跳得更远。当然，这不是绝对规律，因为每个人的力量、动作、训练习惯都不同。

可是，如果数据里混入一条非常离谱的记录，例如：

相关内容见表4-1。

表4-1 异常体测记录示例表

这条数据明显不可能真实发生。普通人的立定跳远不可能达到 18 米。它可能来自录入错误，也可能来自测距设备故障，还可能是单位写错了。

问题是：模型自己不一定知道这条记录不合理。它看到的只是表格中的数字。只要这条数据被送进模型，它就会参与寻找趋势线的过程。结果就是，原本比较平稳的趋势线可能被这一个异常点拉偏，预测值和误差都会发生变化。

这就是本章要观察的核心现象：

一条错误数据，有时足以改变模型学到的规律。

这也是为什么真实工作中经常说：数据清洗、数据检查、数据复核，比单纯追求更大的模型更重要。

4.2 原理与分析：数据、模型和预测到底是什么关系？

相关结构如图4-1所示。

图4-1采用空心圆点、叉号、实线和虚线区分信息，不依赖颜色。即使黑白印刷，也能看出正常样本、异常样本、正常趋势线和被拉偏后的趋势线。

4.2.1 数据是原材料：没有好数据，就没有好判断

人工智能的基本链路可以写成：

数据 → 模型 → 预测

这条链路可以用非常简单的话理解：

• 数据：给模型看的过去材料；
• 模型：从过去材料里总结出来的规律；
• 预测：把规律用到新的情况上。

如果把人工智能系统比作一个学习做菜的人，数据就是它看过的菜谱和试吃记录，模型就是它总结出来的做菜经验，预测就是它面对一道新菜时判断应该怎么做、味道可能怎样。如果菜谱本身乱写，盐和糖经常记反，那么再努力学习，也可能学出错误经验。

体测数据也是一样。身高、体重、跳远成绩如果真实可靠，模型就有机会找到大致规律；如果数据里有很多错误、漏项、单位混乱或异常值，模型就会从错误材料中学习。

因此，学习人工智能时不要只盯着模型强不强，还要先问：

数据从哪里来？
数据有没有错？
数据是否完整？
数据是否适合这个任务？

这四个问题，是任何 AI 应用都绕不开的起点。

4.2.2 特征和标签：模型到底在看什么、猜什么？

在本章例子中，我们有一张虚拟体测表：

相关内容见表4-2。

表4-2 字段与含义记录表

这三个字段中，height 和 weight 是模型已经知道的信息，叫作特征。jump_distance 是模型要学习和预测的目标，叫作标签。

可以这样理解：

特征：给模型看的线索。
标签：希望模型猜出的答案。

如果我们把问题说成一句话，就是：

已知一个学生的身高和体重，模型能不能估计他的立定跳远距离？

这只是一个非常简化的例子。真实体测成绩还会受到很多因素影响，如腿部力量、核心稳定性、训练习惯、起跳动作、心理状态等。本章故意只保留身高和体重两个特征，是为了让大家先看清最基础的模型学习过程。

这也提醒我们：模型没有看到的因素，它就很难纳入判断。如果只给模型身高和体重，却让它判断一个人的运动能力，这个判断一定是有限的，不能被当成最终评价。

4.2.3 趋势线：让散乱数据出现一个大致方向

线性回归可以理解为：在一堆散乱的点中，找到一条最合适的趋势线。

假设我们把每个学生看成图上的一个点。因为人的身体情况和训练情况不同，点不会整齐排成一条直线，而是有高有低、有近有远。模型要做的是找到一个大致方向，让这条线尽量靠近大多数点。

它并不保证每个人都被准确预测。比如有些学生技术动作特别好，真实跳远距离可能高于模型预测；有些学生力量不差，但起跳动作不熟练，真实成绩可能低于模型预测。

所以，趋势线表达的是整体规律，不是每个人的命运。

这一点非常重要。AI 模型适合帮助我们发现大致趋势，但不能简单替代专业人员做最终判断。

4.2.4 误差：模型有没有学好，要看差距

模型给出预测以后，我们不能只看它有没有输出，还要看它输出得准不准。预测值和真实值之间的差距，就是误差。

例如：

真实跳远距离：220cm
模型预测距离：210cm
误差：10cm

如果大多数样本的误差都不大，说明模型大致抓住了规律；如果很多样本误差都很大，说明模型可能没有学好，也可能数据本身不适合这个任务。

本章 Notebook 会显示一个简单指标：平均绝对误差，可以理解为平均差了多少。你不需要记住复杂公式，只需要知道：

平均误差越小，说明模型整体预测越接近真实值；
平均误差突然变大，说明数据、模型或流程中可能出现了问题；
误差指标只能提醒我们继续检查，不能单独决定学生评价。

4.2.5 异常数据为什么会拉偏模型？

现在回到最关键的问题：为什么一条跳远 1800cm的错误数据，会影响模型？

因为模型在寻找趋势线时，会尽量照顾所有数据点。正常数据点都在一个合理范围内，趋势线比较稳定；突然出现一个离谱点，模型会尝试把这条线往它那边拉，以减少这个点带来的差距。

这就像一群人排队拍合照，大多数人站在中间，队形很整齐。突然有一个人站到很远的地方，如果摄影师坚持把所有人都放进画面，镜头就不得不拉远，整个画面都会变小，原本主要人物反而不清楚了。

异常数据就是那个站得太远的人。它可能只有一条，却会影响整体画面。

所以，在真实项目中，数据进入模型前，通常要做检查，例如：

• 跳远距离是否超过常识范围；
• 身高、体重是否漏填；
• 单位是否统一；
• 是否存在重复记录；
• 是否存在录入错误。

模型不是数据警察。很多时候，数据质量需要人和规则先把关。

AI 协同实践：20分钟观察一条异常数据如何改变预测

本章实践不要求你从零写代码。Notebook 已经准备好数据、图表和运行单元。你的任务是运行、观察、记录和解释。

实践目标

通过一次小实验验证本章核心原理：

模型从数据中学习规律；如果数据被异常值污染，模型的误差和预测结果可能发生明显变化。

实践准备

打开文件：

notebooks/ch04_data_model_prediction.ipynb

确认 Notebook 中已经包含以下区域：

1. 正常数据预览；
2. 正常数据下的趋势图；
3. 正常数据下的预测结果；
4. 加入异常数据后的趋势图；
5. 两次结果对照表；
6. 观察记录区。

第 1 步：观察正常数据

运行 Notebook 中的正常数据预览单元。观察表格中每一列的含义。

请填写：

相关内容见表4-3。

表4-3 问题与我的记录表

第 2 步：运行正常数据下的预测

运行正常数据预测单元。Notebook 会给出一个样例学生：

身高：175cm
体重：65kg

记录模型预测的立定跳远距离和平均误差。

相关内容见表4-4。

表4-4 项目与记录表

第 3 步：加入异常数据

运行加入异常数据单元。Notebook 会自动加入一条异常记录：

身高：175cm
体重：60kg
立定跳远：1800cm

注意：这是一条故意设计的错误数据，不是真实记录。

第 4 步：再次运行预测并对比

运行异常数据预测单元，记录新的预测结果。

相关内容见表4-5。

表4-5 正常数据与异常数据结果对照表

第 5 步：请 AI 帮你解释，但不要直接照抄

把你的观察表发给课程 AI 伴学助手，并使用下面提示词：

我正在学习数据、模型与预测。
下面是我观察到的正常数据和加入异常数据后的模型结果：
【粘贴我的观察表】
请用读者能理解的话解释：
1. 为什么一条跳远1800cm的错误数据会影响模型？
2. 如果真实学校体测数据里出现这种记录，应该先做什么检查？
3. 为什么不能直接把模型预测当作学生成绩评价？
要求：不要写复杂公式，用生活例子说明。

AI 给出解释后，请你用自己的话再写一段 80—120 字总结。不要只复制 AI 原文。

第 6 步：人工复核

请根据本章内容判断下面说法是否正确：

相关内容见表4-6。

表4-6 判断题与理由记录表

验证与证据：怎样让模型少被错误数据影响？

本章实验不是为了证明模型坏，而是为了让我们知道：要让 AI 可靠工作，必须做好数据检查。

三个最简单的数据检查规则

对于本章体测数据，可以先设置三条非常朴素的规则：

规则1：身高应在合理范围内，例如 120cm—220cm。
规则2：体重应在合理范围内，例如 25kg—150kg。
规则3：立定跳远距离应在合理范围内，例如 50cm—350cm。

这些规则并不完美，但能拦截明显错误。例如跳远 1800cm就会被规则3发现。

数据检查不是为了排斥特殊学生

需要注意，数据检查不是简单地把所有不一样的人排除掉。真实世界里确实会有身体条件特殊、成绩特别优秀或特别需要帮助的学生。我们要区分两件事：

• 异常数据：明显不可能或明显录入错误，例如跳远 1800cm；
• 特殊个体：真实存在但与多数人不同，例如某位学生经过专业训练，跳远成绩明显高于同龄人。

如果只是因为某个学生成绩特别好，就把数据删除，这是不负责任的。正确做法是：先核对记录是否真实，再决定如何处理。

让 AI 帮你设计检查清单

可以让 AI 伴学助手帮你设计数据检查清单，但你必须审查它是否合理。

提示词示例：

请帮我为一张虚拟学生体测数据表设计数据检查清单。
表中字段包括：身高cm、体重kg、立定跳远距离cm。
要求：
1. 用读者能理解的话说明每条检查规则。
2. 每条规则都要写出为什么要检查。
3. 不要把模型预测结果作为学生最终评价。
4. 结果用表格输出。

你需要重点检查：

1. AI 给出的范围是否符合常识；
2. 是否误把特殊个体当作错误数据；
3. 是否保留了人工复核环节。

伦理、安全与边界：体测数据辅助分析可以做什么，不能做什么？

假设学校希望建设一个体测数据辅助分析小助手。它可以做什么？

它可以帮助负责人快速发现：

• 某些记录是否明显不合理；
• 某些学生是否需要进一步关注；
• 某些班级的整体数据是否存在录入问题；
• 某些训练建议是否需要根据趋势调整。

但它不能做什么？

它不能直接决定：

• 某个学生体测是否合格；
• 某个学生身体素质一定好或一定差；
• 某个学生是否应该被批评、奖励或处分；
• 某个负责人的工作效果是否完全由模型判断。

因为模型只能看到数据表中的一部分信息。它看不到学生当天是否身体不适，看不到测试场地是否湿滑，看不到动作是否受伤病影响，也看不到数据是否录错。

因此，本章要建立的职业底线是：

AI 可以帮助发现线索，不能替代人承担判断责任。

使用边界

1. 隐私边界 身高、体重、体测成绩属于个人信息。真实数据必须脱敏处理，不能随意上传公共平台。

2. 评价边界 模型预测只能作为辅助参考，不能直接替代正式考核结果。

3. 数据边界 数据异常不等于学生异常。发现离谱记录时，应先核对数据来源和录入过程。

4. 责任边界 AI 可以生成解释、建议和检查清单，但最终复核和使用责任仍在人。

5. 公平边界 如果数据本身存在偏差，模型可能放大偏差。比如某些班级测试条件不同，却被放在一起比较，就可能造成不公平判断。

交付物标准

请提交一份 Markdown 格式的《异常数据如何影响模型判断观察记录》，至少包含以下内容：

相关内容见表4-7。

表4-7 交付物与达标要求记录表

总结与思考

1. 人工智能的基础链路是：数据 → 模型 → 预测。这条链路比很多术语更重要。
2. 特征是模型看的线索，标签是模型要学习和预测的结果。
3. 线性回归可以帮助我们直观看到趋势线如何代表整体规律。
4. 一条极端异常数据可能让模型误差变大，也可能改变预测结果。
5. 数据检查、人工复核和责任边界，是使用 AI 做预测时必须守住的底线。

练习与思考

基础题

1. 请用一句话说明数据、模型、预测分别是什么意思。
2. 在本章体测例子中，哪些字段是特征？哪个字段是标签？
3. 为什么跳远 1800cm属于异常数据？
4. 平均误差变大，通常说明什么？

实践题

1. 在 Notebook 中再尝试加入一条错误数据，例如体重 600kg，观察结果是否变化。
2. 让 AI 帮你设计 5 条体测数据检查规则，并人工判断是否合理。
3. 画一张简单的黑白观察图，说明异常点怎样影响趋势线。要求用实线、虚线或不同形状区分信息，不依赖颜色。

反思题

1. 如果一个模型预测某位学生体测表现较差，能不能直接据此批评学生？为什么？
2. 你在生活中还见过哪些数据错了，判断也跟着错的例子？
3. 当 AI 给出看起来很有道理的分析时，你会先检查哪些依据？

本章交付物

1. 本章 Notebook 运行记录。
2. 一条核心提示词和一段 AI 输出。
3. 改变变量前后的观察表。
4. 人工复核记录。
5. 100—200 字原理解释。