动手与探索：感受学习的力量

1学习目标

本节学习目标

2知识讲解

在真正接触复杂机器学习模型之前，先用最简单的方法体验「从数据到判断」的过程。这节课用「移动平均法」预测件量，理解基线方法的价值与局限。

3.1 什么是移动平均法？

核心思路：用最近几天的平均值，作为明天的预测值。比如用「最近 3 天平均件量」估计明天件量。

简化体验：某站点近 7 日件量数据：周一3200、周二3800、周三3500、周四4200、周五4500、周六3900、周日3400

计算：取最近 3 天平均 = (4500 + 3900 + 3400) / 3 = 3733 件

进阶思考：如果不能用复杂模型，怎么改进简单平均？→ 答案：人工加权（周末×0.6）、引入促销标签、按星期分别计算。

3案例 / 场景

场景：周六大促，简单平均严重低估

某站点过去 3 天件量：周三 120、周四 130、周五 150，用简单平均预测周六 = 133 件。

实际情况：周六是电商大促日（618 预热），实际件量暴增至 450 件。

后果：排班按 133 件配置人车 → 上午 10 点爆仓 → 临时加人加车成本高 → 延误率飙升
问题出在哪？简单平均忽略了「促销日」这个关键特征
改进方案： - 方案 A（人工经验）：查看去年同期大促数据，发现平时的 3-4 倍，人工上调系数 ×3.5 = 466 件 - 方案 B（简单特征）：增加「是否促销日」标签，促销日单独计算平均，非促销日单独算 - 方案 C（机器学习）：训练模型，输入历史件量 + 星期 + 促销标签 + 天气，输出预测件量

对比：

教训：人工经验（方案A）在这个例子里比简单特征（方案B）还准！这说明领域知识很重要——AI 不是要替代人的经验，而是把经验规模化。如果能把「老师傅的经验」转化为模型特征（促销日、天气、历史同期），就能兼顾准确性与可复制性。

4练习互动

步骤 1 · 想一想

除了平均，你还能想出一种更合理的「手工估件量」办法吗？比如考虑星期、促销、天气中的哪些因素？

步骤 2 · 思考与记录

写出你的改进方案：考虑哪些因素？如何调整计算方法？预期能降低多少误差？

检测中完成步骤1和步骤2后，点左侧按钮获取对你回答的评价和改进建议。也可以选快捷追问或自由提问。