数据挖掘与机器学习入门：从零跑通第一个分类项目

我最早开始整理数据挖掘与机器学习学习笔记是因为一个很现实的原因学得太快忘得更快。机器学习这个方向每翻几页教材就会蹦出来一个算法每个算法背后又拖着数学、代码、案例三条尾巴。今天觉得自己懂了明天打开电脑写代码才发现连数据从哪来、模型怎么评估都理不清。于是我自己定了个规矩每学完一个主题就把它整理成一篇笔记把原理、代码、踩坑全部写下来。这篇就是系列笔记的第一篇先不聊太深的公式把机器学习入门阶段必须理清楚的那些事情一次性讲透。如果你是那种刚接触数据挖掘和机器学习、看到满屏术语就头疼的人或者之前零零散散看过一些课程、但始终没有独立跑通过一个正经模型的人这篇文章应该对你有用。它覆盖三个层面的内容认知层数据挖掘和机器学习到底什么关系、数学要补到什么程度、该按什么顺序学工具层Python、NumPy、Pandas、Matplotlib、scikit-learn 这些必备工具到底怎么搭配使用实战层我会带你在一个经典小数据集上从数据探索到建模评估完整跑一遍分类任务并附上我在实践里踩过的几个经典坑。看完之后你可以照着这个路径复现一遍把自己第一个机器学习项目真正跑起来。1. 先别急着写代码入门前的3个认知准备1.1 数据挖掘和机器学习到底是不是一回事在很多学习笔记里数据挖掘和机器学习经常被并列提出来。它们像兄弟但不是双胞胎。数据挖掘的源头是“从数据中发现有价值的知识”它的关注点更宽数据清洗、数据理解、特征工程、模式发现、异常检测、可视化探索都在这个范畴里。它不要求一定用机器学习模型传统的统计方法、简单的规则同样可以是数据挖掘手段。我习惯把它理解成“在一个矿山里筛金子”——得先搞清楚哪个区域可能埋着东西、用什么工具筛、筛出来的东西怎么评估这些环节都在数据挖掘内部。机器学习相比之下更聚焦在“构建一个能从数据中学习并做出预测或决策的系统”。它关心的是数据里有没有可学习的模式以及如何用算法把这个模式学出来然后对未知样本做出判断。你可以把它理解成“训练一只导盲犬”给它大量带提示的样例让它学会看到某个输入就做出正确的动作。不过在真实项目里两者高度交叠数据挖掘项目大概率会用到机器学习模型机器学习项目也一定绕不开数据清洗和特征处理。入门阶段你不需要纠结学科边界只要记住一句话数据挖掘偏“找知识”机器学习偏“学映射”。后文聊到的所有实操本质上都是把一堆原始数据变成有价值输出的完整链条。1.2 学习路径怎么安排才不会被劝退我见过太多人雄心勃勃地翻开一本大部头教材从第一章的数学推导开始啃两周后心态直接崩了。不是深挖理论不对而是入门阶段你还没有足够的“模型直觉”来支撑理论理解。没有直觉托底公式读起来就只是一堆符号在跳动。我建议的路线是先跑通一个极简项目再逐步扩大知识面。拆开来看就五步把 Python 基础语法过一遍能写循环、能处理列表字典就够了不需要学得很深。学 NumPy、Pandas、Matplotlib 的常用操作用两个小数据集把加载、清洗、画图做熟。花一周搞懂机器学习最核心的几个概念训练集/测试集、特征/标签、监督/无监督、过拟合。用 scikit-learn 跑通第一个分类和回归任务不管效果多粗糙先看到模型能跑起来。回到教材按需补数学、补算法细节。这个路径最大的好处是每一步都有正反馈。学完一个东西马上能看到效果比如画出一张清晰的分布图或者跑出一个有基本准头的模型。这种反馈是支撑你继续走下去最重要的燃料。我还想强调一点不要试图把数据挖掘和机器学习拆成两条平行的学习线。它们本来就是一套工作流上的环节现实中也是绑定在一起的。你拿到一份数据先做探索分析和清洗再做特征工程接着建模评估最后尝试解释结果。一套完整流程跑下来两个领域的知识就一起覆盖了。1.3 数学基础要补到什么程度才够用这是新手最焦虑的问题我数学不好能不能学机器学习我的答案很明确能。入门阶段你只需要把三门数学课的核心内容学到“会用”的程度。线性代数要理解向量、矩阵、矩阵乘法、转置、特征值和特征向量。原因是数据在代码里就是二维数组PCA 降维本质上是在找特征方向神经网络的每一层也就是一次矩阵运算。概率统计要掌握期望、方差、条件概率、贝叶斯公式、常见分布和最大似然的基本思想。真实世界的标签往往带噪声“不确定性”这个概念会贯穿整个机器学习。微积分里重点是导数和梯度。梯度下降是大多数优化算法的引擎把“沿着梯度反方向走一小步目标函数会下降”这一句话想明白就够用了。入门阶段不需要证明公式也不需要手推 SVM 的对偶问题。学机器学习有点像学开车数学是发动机原理你可以先会开车再逐步理解发动机为什么好开。等你遇到具体场景比如为什么 L2 正则化能让权重变小、为什么逻辑回归要用极大似然估计再回头补数学效率会高很多。2. 工具链与学习路线Python生态怎么搭2.1 为什么首选Python而不是Excel/R/SPSS我早期做过一段时间的报表和数据分析Excel 用得非常多数据透视表、VLOOKUP、条件格式都玩得熟练。但 Excel 有其明显天花板一旦面对几十万行、上百个字段的数据操作就会变得很卡而且很难承载“训练一个模型并反复调参”这类任务。R 在统计分析和绘图上有独到优势尤其适合统计检验、学术图表这类的场景。但它在工程化、深度学习生态和通用编程能力上不如 Python 均衡很多工程团队也不太用它来上线模型。至于 SPSS、SAS 这类商业统计工具更偏传统统计流程闭源、昂贵而且很难和现代数据处理链路集成。Python 能成为数据挖掘和机器学习的事实标准根本原因是生态。scikit-learn 把所有经典算法封装成统一接口Pandas 提供类似 SQL 的表格操作能力Matplotlib/Seaborn 解决可视化NumPy 负责底层高效数值计算。更关键的是社区庞大你遇到的问题几乎都能搜到对应解决方案。对新手来说搜索问题效率高本身就是巨大的优势。我自己学习时遵循一个原则能在命令行里用代码解决的问题绝不用鼠标在图形界面里点来点去。代码可复制、可复现、可版本化这比任何“记忆操作步骤”都可靠。这也是数据工作最基本的素养之一。2.2 数据三件套NumPy、Pandas、Matplotlib怎么学所谓三件套就是 NumPy、Pandas 和 Matplotlib/Seaborn。它们各解决什么问题我用一个场景说明。假设你拿到一张订单表几万行数据包含订单号、城市、商品类别、金额、下单时间等字段。你想知道“每个城市每类商品的销售额排名”。用 Excel 要做透视表用 Pandas 只需要一个方法链按城市和类别分组、对金额求和、排序输出一个新表。这个处理过程本质上就是数据挖掘里的“数据准备与聚合”。NumPy 的职责是底层数值计算。Pandas 底层大量依赖 NumPy你不需要把 NumPy 的 API 全背下来但一定要理解它与 Python 内置列表的关键区别向量化运算。比如把一整个数组的每个元素乘 2用纯 Python for 循环可能慢得明显用 NumPy 的广播机制几乎是瞬间完成。大规模数据操作必须依靠向量化这是性能的核心。Matplotlib 是基础绘图库Seaborn 在它之上封装出更美观的统计图形。入门阶段掌握四类图就够散点图、直方图、箱线图、热力图。每次拿到新数据集先画分布和相关性这是发现异常值和理解特征关系最快的方法。学习三件套时我强烈建议直接拿真实数据集练手而不是去刷语法手册。比如找一份公开的销售记录连续做几个小任务筛选某月数据、计算客单价、按城市分组统计、画出金额分布。这些小练习做完你的掌握程度会远超那些只跟着教程敲过例子的人。2.3 先学scikit-learn还是先学深度学习框架几乎每个初学者都问过这个问题。深度学习框架热度太高容易让人误以为入门就要从 PyTorch 或 TensorFlow 开始。我的建议非常明确入门阶段先老老实实学 scikit-learn。理由有三条。第一scikit-learn 算法覆盖率高线性回归、逻辑回归、决策树、随机森林、SVM、KNN、聚类、降维、特征工程工具全都有而且 API 极度统一核心就是 fit 和 predict 两个方法。学会一个模型其他模型很快就能举一反三。第二它对新手很友好默认参数在常见规模的数据上通常表现不错不需要你理解太多底层细节就能跑出可接受的结果。第三它和深度学习框架不是对立关系而是前后衔接的关系——两者共享同一套机器学习思维比如数据预处理、训练测试划分、评估指标、过拟合与正则化。那什么时候可以转向深度学习框架我的判断标准很实际当你手里的数据是图像、长文本、语音这类非结构化数据或者发现传统模型已经明显遇到瓶颈再或者你需要自定义灵活的神经网络结构时就可以切入 PyTorch 了。到那个阶段你已经有模型直觉和数据处理经验再学张量、自动求导、GPU 加速这些概念会顺很多。学习顺序上先用 scikit-learn 把经典算法全部过一遍再用 PyTorch 重写其中几个简单模型比如线性回归和逻辑回归。这一步做完你既理解了两代工具的差异也能把基础概念串起来。3. 核心概念扫盲从模型到完整流程3.1 监督学习的两大基本盘分类与回归监督学习的核心是有一批已经标注好的样本模型从这些样本里学规律然后去预测新样本的标签。用“开卷复习之后闭卷考试”来理解就对了——训练集是你复习时翻看的标准答案测试集是考场上的新题目模型在测试集上的表现才算真本事。监督学习下面最常用的是两类任务分类任务预测的标签是离散类别。例如银行判断一笔交易是否属于欺诈、邮件服务判断一封邮件是否垃圾邮件、公司根据用户画像预测用户是否会流失。回归任务预测的标签是连续数值。例如预测房价、预测明天最高气温、预测某个商品未来一个月的销量。项目里反复出现的概念不外乎这么几个特征也就是样本的属性比如年龄、消费金额、访问次数标签也就是你真正想预测的值比如“是否流失”训练集用来学习规律的样本测试集负责考试的样本。新手最容易犯的错误之一是把训练集上的表现直接当成模型最终水平。训练集上的高分说明模型“背得熟”测试集上的分数才说明模型“学得会”。这两者之间的差距大小本质上就是过拟合的程度。用一个例子串起来你要预测某用户是否会在未来三个月内购买某商品特征可能有浏览时长、历史购买次数、最近一次访问间隔。你用一个月的历史数据构造训练集再用后面一周的数据做测试集训练一个分类模型。整个过程听起来不难但真上手之后你会发现数据清洗和特征筛选才是真正花时间的地方训练模型反而只是其中一环。3.2 无监督学习聚类和降维是干什么用的和监督学习不同无监督学习面对的数据没有标签模型要自己从数据结构中发现模式。这个概念一开始有点抽象我用最常见的两个任务来讲。聚类目标是把相似的样本聚成一组。举个例子电商平台并没有给用户打上“高价值/低价值”的标签但你希望做客户分群。于是你用消费频次、客单价、浏览深度这些特征让算法自动把用户分成几簇。分完以后每簇用户可能呈现出不同的行为画像运营策略就能因人而异。K-Means 是最常用的聚类算法核心其实就是圆心 K 的取值你想聚成几类。选 K 的方式可以看手肘法则也可以结合业务经验。降维目标是压缩特征维度。假设原始特征有 100 个里面大量冗余、彼此高度相关PCA 通过寻找数据方差最大的方向把 100 个特征压成 5 个同时尽量保留原有信息。降维还有一个很实用的场景是可视化——把高维数据投影到二维平面人眼才能看到它的分布和簇结构。无监督学习有时被认为是更贴近“数据挖掘”本意的技术。确实数据挖掘的起点往往就是没有标签的数据你得先有探索性的理解才可能设计出更合理的特征和方案。入门阶段至少要跑通一次 K-Means 和一次 PCA不是为了看效果有多好而是为了建立“从数据自身结构里找规律”的感觉。3.3 一个完整数据挖掘项目的六个阶段很多新手学到建模就停了以为拿到高准确率就是整个项目的终点。真正让数据挖掘产生业务价值行业里最经典的流程框架叫 CRISP-DM中文常译作“跨行业数据挖掘标准流程”它把项目切成了六个阶段业务理解搞清楚要解决什么问题、价值在哪里。数据理解收集数据、初步探查、验证数据质量。数据准备清洗、合并、构造特征、处理缺失值。建模在干净数据上训练多个候选模型。评估回到业务目标判断模型是否真的解决问题。部署把模型接入实际系统持续监控效果。我用一个生活中的类比帮助记忆你在城市里找地方开咖啡店。业务理解是“确定该开在哪、服务谁”数据理解是“调查周边人流、消费水平”数据准备是“把各路信息整理成一张干净的表”建模是“用不同策略评估候选位置”评估是“模拟利润并实地复核”部署是“真的把店开起来并持续观察”。在这个阶段里新手最容易忽略的是“评估”和“部署”但这恰恰是项目能否落地的分水岭。作为入门笔记我建议你在做任何练习项目时都按照这个框架写一份简短文档把每个阶段做了什么写下来。哪怕只是给自己看它也能帮你建立完整的数据项目思维。4. 手把手实操跑通一个完整的分类项目4.1 环境准备与数据集选择实操前先把环境准备好。我用的是 conda因为它能很方便地创建隔离环境避免不同项目之间的依赖冲突。打开终端执行conda create -n ml_learning python3.10 conda activate ml_learning pip install notebook scikit-learn pandas matplotlib seaborn如果 conda 在某些网络环境下安装较慢你也可以换成 venv 配合 pip管理思路是一样的只是命令略有差别。环境搞定之后在终端输入 jupyter notebook 启动交互环境就可以开始写代码了。这次使用的数据集是鸢尾花数据集 Iris。这是一个非常经典的入门数据集三种鸢尾花各有若干样本每个样本有四个特征——花萼长度、花萼宽度、花瓣长度、花瓣宽度。目标是根据这四个连续特征预测当前样本属于哪一个品种。为什么选它来做第一个项目第一数据干净、无缺失值不需要做复杂的清洗第二四维特征少而清晰画图就能直观看到分布第三三个类别样本数量均衡评估结果不容易被误导第四scikit-learn 内置了这个数据的读取接口一行代码就能加载省去下载和解析的麻烦。等你把这套流程跑熟了再切换到真实世界那些又脏又大的数据难度逐级提升才不会一开始就被劝退。4.2 数据探索先别建模好好看看数据很多人拿到数据就急着跑模型这是大忌。先花几分钟探查数据既能发现异常也能建立对问题的直觉。加载数据并转成 DataFramefrom sklearn.datasets import load_iris import pandas as pd iris load_iris() df pd.DataFrame(iris.data, columnsiris.feature_names) df[species] iris.target_names[iris.target] print(df.head()) print(df.info()) print(df.describe())head() 让你看到前五行知道数据长什么样info() 显示有没有空值、每列的类型describe() 给出每列的均值、标准差、最小值、最大值等统计量。跑完之后你会发现花瓣长度和花瓣宽度的取值范围明显比花萼特征大最大值能到 6.9而花萼宽度的最小值是 2.0。这个观察是一个信号暗示后面建模时要注意特征缩放。接着画一张成对分布图把四个特征两两组合不同品种用不同颜色标出import seaborn as sns import matplotlib.pyplot as plt sns.pairplot(df, huespecies) plt.show()从这张图里你能直观看到山鸢尾和另外两种花是混在一起还是分得很开。以我的经验Iris 的成对分布图会呈现出一个很明显的结论花瓣长度和花瓣宽度这两个特征对区分品种贡献最大而花萼宽度单独使用时区分度很弱。这种直觉会直接影响你后续建模时的特征选择也会让你对模型能达到的准确率有一个合理预期。4.3 建模与评估用KNN跑第一个模型数据探查结束可以建模了。我的第一个模型选 K 最近邻也就是 KNN。理由不是它最强而是它直觉最好理解一个新样本来了看看离它最近的 K 个已知样本分别属于哪一类哪个类别多新样本就属于哪个类。这个算法没有复杂的训练过程非常适合用来理解“模型是怎么做预测”的。完整代码如下from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier X df.iloc[:, :-1].values y iris.target X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.3, random_state42 ) scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test) model KNeighborsClassifier(n_neighbors3) model.fit(X_train_scaled, y_train) acc model.score(X_test_scaled, y_test) print(f准确率: {acc:.4f})有几处细节需要特别说明。第一为什么划分训练集和测试集test_size0.3 意味着 30% 的数据留作测试70% 参与训练。random_state 固定成 42是让每次实验的划分结果一致方便复现。你看别人的学习笔记时如果对方不固定随机种子你很难跑出完全一样的结果。第二StandardScaler 的作用是让每个特征变成均值 0、方差 1。KNN 依赖距离欧氏距离会被取值范围大的特征主导不缩放的话花瓣特征的影响就被花萼长度盖过去了。第三scaler 只在训练集上 fit测试集只做 transform。这个顺序非常重要我在下一章会专门展开讲为什么。正确执行的情况下你在 Iris 上通常能得到 0.93 以上的准确率。这三个类别在特征空间里本身区分度就高所以模型表现好并不意外。关键在于理解这个数字的含义它是模型在从未见过的测试样本上的表现而不是在训练集上的自吹自擂。跑完分类你还可以顺手把数据集切出一份做 K-Means 聚类或者用线性回归预测一个连续变量练练手。不过第一步先把分类流程跑顺贪多嚼不烂。5. 新手最容易踩的坑实操问题排查实录5.1 数据泄漏一个偷看答案的习惯数据泄漏是新手最容易犯、也最不容易察觉的错误。最典型的表现是在划分训练集和测试集之前就用全量数据做标准化、缺失值填充或者算了某些统计指标。这样一来测试集的信息在训练阶段就泄露给了模型。相当于考前老师把考卷答案也当成例题讲了考出来的分数自然反映不了真实水平。正确做法永远是先划分训练集和测试集再在训练集上 fit 预处理器最后应用到测试集。对应到代码就是scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test)注意这里的差别fit_transform 只出现在训练集上测试集只用 transform。如果先对全量数据 fit_transform 再拆分你得到的高分是虚高的。在真实项目上这种虚高带来的后果更严重模型部署到线上后面对全新的数据表现会远远低于你在验证时看到的指标。养成“一切统计和拟合操作只基于训练集”的习惯是从新手走向合格工程师的重要一步。5.2 忘记特征缩放距离类模型的隐形杀手第二个坑和数据处理相关但没那么容易察觉。KNN、SVM 这类基于距离的模型对特征尺度极其敏感。我见过不少同学跑 KNN 时不做标准化结果在 Iris 上的准确率明显下降。原因很好理解计算距离时取值范围大的特征天然获得更大权重模型几乎被那一两个特征牵着走。你可能会问那树模型和线性回归也需要缩放吗决策树和随机森林不需要因为它们按特征分裂不依赖距离线性回归在解释系数时一般建议缩放否则系数之间不可比神经网络、KNN、SVM、PCA 则强烈依赖同一量纲。这是算法选型时必须记住的细节。怎么判断一个模型是否需要特征缩放问自己一个问题这个模型的计算过程里有没有用到距离、梯度、方差用到就得认真考虑。最简单省心的习惯是数值型特征先 StandardScaler再喂给模型除非你有明确理由不这样做。5.3 只看准确率类别不平衡下的评估误区初学阶段很多人习惯拿准确率当唯一指标。准确率确实直观但在类别不均衡的场景下会极度误导。举一个极端例子假设欺诈交易只占全部交易的 1%你写一个“永远预测正常”的傻瓜模型准确率照样是 99%但它完全没用因为真实欺诈一笔都没抓到。这时候要用到一组更细的指标精确率、召回率、F1 分数。精确率回答的是“模型判定为欺诈的交易里有多少是真的欺诈”召回率回答的是“所有真实欺诈交易里模型抓到了多少”F1 是两者的调和平均兼顾两边的表现。实际业务往往需要在两率之间做权衡抓漏的代价高还是误伤的代价高这个答案只有业务方知道模型自身不会告诉你。入门阶段不要求你立刻精通全部评估指标但至少要有这个意识准确率不是万能的要结合数据分布和业务目标选择合适的评估方式。另外还有一个高频翻车点训练集表现很好测试集突然拉胯。这种时候多数是以下四种原因之一数据划分泄漏、没有做特征缩放、训练样本太少、模型太复杂导致过拟合。照着这个清单逐条排查大多数“神奇翻车”都能定位到。6. 入门之后这条路还能往哪些方向走6.1 常用算法清单先认识全貌再逐个击破当你跑通 KNN 之后可以按顺序扫掉一批经典算法。我整理了一张快速认识的对照表算法任务类型一句话理解入门探索建议线性回归回归用一条超平面拟合数据先理解最小二乘损失逻辑回归分类在回归基础上加 sigmoid 压缩出概率理解输出为什么在 0 到 1 之间决策树分类/回归按特征做一层层 if-then 判断画棵树看每个节点怎么选特征随机森林分类/回归多棵决策树投票或平均降低过拟合理解 Bagging 思想SVM分类找最大化间隔的分隔超平面先用线性核再感受核技巧K-Means聚类按距离把样本分簇尝试不同 K看分簇效果PCA降维找方差最大的若干方向投影结合可视化理解特征方向每一条都值得单独花时间写代码跑一遍。我的经验是每学一个新算法就把它放到同一份数据集上跟旧模型对比看看差异在哪里。这样你对算法的理解会比死背公式深刻得多。这个阶段不追求调出最完美的模型而是建立“看到数据时能联想到多种算法工具”的直觉。6.2 特征工程与模型调参真正拉开差距的地方不少入门者以为机器学习做到“调模型”就结束了事实恰恰相反真实项目里最耗时间的往往是特征工程而不是调参。特征工程是指从原始数据里构造出更能刻画业务规律的新特征。比如从时间戳里拆出“星期几”从用户行为序列里统计“最近 7 天购买次数”或者把类别型变量编码成模型能处理的数值。同样的算法特征工程做得好不好最终效果可能相差一个量级。这个环节考验的主要是两点一是对业务的理解二是对数据变换工具的熟练程度。入门时不要怕花时间把缺失值处理、类别编码、数值分桶、时间特征拆解这四类操作练熟。调参方面入门阶段建议直接用网格搜索系统性地找参数而不是靠感觉一个个试。例如在 KNN 上尝试不同的 k 值和距离权重from sklearn.model_selection import GridSearchCV param_grid { n_neighbors: [3, 5, 7, 9], weights: [uniform, distance] } grid GridSearchCV(KNeighborsClassifier(), param_grid, cv5) grid.fit(X_train_scaled, y_train) print(grid.best_params_)GridSearchCV 会把参数组合全部试一遍并用交叉验证选出一组最优参数。这里的 cv5 表示把训练数据切成 5 份轮流用 4 份训练、1 份验证。它的意义在于你选参数时不依赖某一次特定的数据划分评估结果更稳定。等你掌握了网格搜索再去理解随机搜索、贝叶斯调参本质上也只是搜索策略的优化。核心思想始终是模型选择要有评价依据不能拍脑袋。6.3 从结构化数据走向深度学习传统机器学习中的经典算法最擅长处理的场景是结构化表格数据。但当数据切换成图片、视频、语音、长文本之后特征高度非结构化手动设计特征的成本急剧上升这时神经网络这类能自动学习特征表达的模型就开始接管战场。深度学习的进阶路径建议从多层感知机 MLP 起步。先理解神经网络如何通过一层层线性变换加非线性激活函数来逼近复杂函数然后过渡到卷积神经网络 CNN处理图像再到适合文本序列的 Transformer 结构。这不是一篇入门笔记能展开的内容但方向可以先立起来。对打算走数据挖掘路线的人我的建议是不用盲目追深度学习每一条最新进展先把经典模型和数据处理能力练扎实。深度学习是工具经典机器学习是地基。地基稳了上层的新工具你学习起来会非常快地基不牢跑再多新模型也只是在别人的代码上拼拼凑凑。整套笔记写下来我最深的体会不是某个模型跑得有多准而是“先跑通、再深入”这套学习方法真的对新手最友好。我后来再看自己这篇第一篇笔记仍然能回忆起当年踩坑时的抓狂但现在回看那些坑恰恰是理解模型评估和数据处理的入口。如果你也在学机器学习我建议你不妨也把学过的内容写成文字。写出来是一个很强的信号代表你不仅有“我懂了”的错觉还能把它讲清楚让一个完全没接触过的人照着做也能跑出结果。这种能力比单独记住某个算法的公式值钱得多。