分類：教機器做判斷

沒有人教過你「橘子的定義」。你只是看過夠多橘子和葡萄柚，之後拿到一顆新的， 自然知道它是誰。分類就是讓機器用同一招：從看過的例子學會判斷沒看過的東西。 先玩玩看——拖動那顆問號果實，離它最近的三顆會幫它投票：

右邊的實驗場是真的 Python（在你的瀏覽器裡跑，不用安裝任何東西）。 首次載入約需 30–60 秒，正好夠你讀完第 1 節。每一格程式碼都能改、能重跑， 改壞了重新整理就復原——這是你的沙盒，盡量玩。

認水果之前，先看資料

右邊的實驗場裡有 120 顆果實：橘子和 葡萄柚各 60 顆，每顆量了兩個數字——重量和直徑。 這兩個數字叫特徵（我們拿來判斷的線索），「是橘子還是葡萄柚」叫標籤（正確答案）。

把 120 顆點在圖上，兩群涇渭分明——但注意中間那塊曖昧地帶： 有些橘子長得特別大、有些葡萄柚特別小。世界上真實的資料幾乎都長這樣， 而分類真正的難題，全部發生在那塊地帶。

k-NN：讓鄰居投票

最直覺的分類法叫 k 最近鄰（k-Nearest Neighbors）：一顆新果實進來， 找出跟它最像的 k 顆（圖上距離最近的鄰居），讓它們投票，多數決。 就這樣，沒有別的了——你剛剛在上面那個小玩具裡已經玩過 k = 3 的版本。

到右邊拉動 k，盯著兩群之間的分界線：

• k = 1：訓練準確率一定是 100%——每顆果實最近的鄰居就是它自己， 當然全對。但分界線歪七扭八，繞著每顆怪果實轉。這不是聰明，是背答案。
• k 變大：分界線越來越平滑，個別怪果實再也綁架不了判斷。
• k 太大會怎樣？想想 k = 120（全部果實都投票）——不管來什麼果實， 答案永遠一樣。到第 4 節你會親手驗證這件事。

拿一顆新果實考它

模型學完了，來驗收。到右邊自己捏一顆果實——調它的重量和直徑， 看模型怎麼判、幾票對幾票。然後做一件壞心的事： 把它慢慢推進兩群中間的曖昧地帶，找出投票翻盤的那一刻。 你會發現「模型的答案」在邊界附近其實只是險勝，這個體感比任何準確率數字都重要。

換你動手

右邊最下面有一格「你的實驗區」，是你的地盤。三個挑戰，由易到難：