P2-15.1 把公式翻译成代码的小步骤¶

Section ID: P2-15.1 Version: v2026.07.23

在 Part 2，我们分别看过公式、Python、NumPy、Pandas、Matplotlib。现在把这条流程重新绑成一个整体。目标不是证明复杂公式，而是拥有一套把简单公式翻译成代码并检查结果的步骤。

学机器学习时，损失函数（loss function）、平均值（mean）、方差（variance）、线性组合（linear combination）这类公式会不断出现。要想在看到公式时不立刻卡住，就需要一种习惯：把符号变成计算步骤。

重新把前面章节的概念绑在一起的位置¶

这一节是把 Part 2 中分别学过的概念，通过一个例子重新绑在一起的位置。它不是大量引入新理论，而是展示：当前面章节的代表概念真正一起运作时，应检查什么。

从前面章节带来的概念	在本节中重新使用的方式
变量（variable）、值（value）、类型（type）	先决定公式符号分别对应哪个代码变量、哪个值。
列表（list）、循环（loop）	把 sigma 求和读成对每个样本重复计算。
NumPy 数组（array）、向量化（vectorization）	用更短的数组运算再次表达同一计算。
表格与图表	不只看最后一个数字，也一起检查中间值和趋势。
Python 工作流	按输入、计算、输出、检查的顺序阅读并验证代码。

因此，本节的核心不是背一个新公式，而是把已经见过的工具按步骤连接到同一个问题上。

核心判断标准：把公式翻译成代码的小步骤¶

能先区分公式中的变量和数据组合。
能把 sigma 求和翻译成 Python 循环或 NumPy 计算。
能用一小段代码计算平均平方误差（mean squared error）。
能说明用数字、表格和图表检查代码结果的流程。
能获得一个阅读 Part 3 机器学习公式的最小步骤。

本节先抓住的连接¶

把公式符号变成代码变量。
先看每个样本的重复计算。
再把同一计算读成 NumPy 数组表达。
把最终数字、中间值和图表一起检查。

三个判断标准¶

标准	为什么重要	本节需要达到的理解程度
把公式翻译成代码时先看什么？	它让你先把公式拆成计算步骤，而不是马上跳进语法。	理解要先分出输入、计算顺序和输出。
为什么要同时看循环和 NumPy？	它让你区分“理解步骤”和“理解压缩表达”。	理解同一个计算可能只是表达方式不同。
为什么要用多种方式检查结果？	它补足最终一个数字可能遗漏的中间含义。	理解一个数字本身可能隐藏中间过程和趋势。

把公式翻译成代码的基本顺序¶

把公式变成代码时，不要立刻写代码，而要先按下面的顺序阅读。

flowchart TD
  A["1. 公式<br/>读公式"]
  B["2. 符号<br/>确定符号各自代表什么值"]
  C["3. 数据形状<br/>区分标量、向量和表"]
  D["4. 计算过程<br/>翻译成循环或数组计算"]
  E["5. 检查<br/>用小数字验证结果"]

  A --> B --> C --> D --> E

关键点在于：不要一下子把公式整体变成代码。先决定符号指向什么，再确认这些值是单个数字还是一组数据，最后再计算。

用平均平方误差来读一个例子¶

平均平方误差（mean squared error, MSE）是把预测值和真实值的差平方后，再求平均得到的数值。

\[ \mathrm{MSE} = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2 \]

第一次看时它可能显得复杂，但把符号拆开后就会变成下面这样。

符号	含义
\(n\)	数据个数
\(y_i\)	第 i 个真实值
\(\hat{y}_i\)	第 i 个预测值
\(y_i - \hat{y}_i\)	第 i 个误差
\((y_i - \hat{y}_i)^2\)	误差平方
\(\sum\)	对所有数据相加
\(\frac{1}{n}\)	用数据个数去除总和，得到平均值

这个公式可以读成：“计算每个样本的误差，把误差平方，全部加起来，再除以样本数。”

先把它翻译成一个小 Python 循环¶

这里不先用 NumPy 把它缩成一行，而是先用循环确认计算流程。

问题情境：

即使读懂了公式，也可能没法马上把每个符号对应到代码里的循环和变量

输入（input）：

真实值列表 actual
预测值列表 predicted

期望输出（output）：

每个样本的平方误差列表
平均平方误差（MSE）数值

要确认的概念：

sigma 求和可以翻译成循环，也可以翻译成数组计算
把公式翻译成代码时，最好先把每个样本的计算和最后的平均步骤分开看
循环版本会比压缩后的 NumPy 表达更先显露计算含义

# 这个例子计算真实值和预测值之间的误差，并把损失公式翻译成代码。
actual = [3.0, 5.0, 7.0]
predicted = [2.5, 5.5, 8.0]

squared_errors = []

for y, y_hat in zip(actual, predicted):
    error = y - y_hat
    squared_errors.append(error ** 2)

mse = sum(squared_errors) / len(squared_errors)
print(mse)

这段代码几乎直接跟着公式的每个部分走。

公式中的部分	代码中的部分
\(y_i\), \(\hat{y}_i\)	`y`, `y_hat`
\(y_i - \hat{y}_i\)	`error = y - y_hat`
\((y_i - \hat{y}_i)^2\)	`error ** 2`
\(\sum\)	`sum(squared_errors)`
\(\frac{1}{n}\)	`/ len(squared_errors)`

这一步虽然短，也很简单，但很重要。它让你用手去确认：这个公式到底代表怎样的计算过程。

然后再用 NumPy 缩短同样的计算¶

在理解了计算流程之后，就可以借助 NumPy 数组（array）把它写得更短。

问题情境：

在用循环理解了含义之后，还应该能把同一个公式重新表达成更短的数组计算

输入（input）：

真实值数组 actual
预测值数组 predicted

期望输出（output）：

误差数组 errors
平方误差数组 squared_errors
平均平方误差 mse

要确认的概念：

NumPy 数组运算会把 sigma 计算缩成向量化表达
即使代码更短，计算步骤的含义仍与循环版本相同

# 这个例子计算真实值和预测值之间的误差，并把损失公式翻译成代码。
import numpy as np

actual = np.array([3.0, 5.0, 7.0])
predicted = np.array([2.5, 5.5, 8.0])

errors = actual - predicted
squared_errors = errors ** 2
mse = np.mean(squared_errors)

print(mse)

在 NumPy 中，两个数组相减时，会按对应位置计算。这直接连接到 Part 2 Chapter 11 中学过的向量化（vectorization）。

不过，NumPy 代码更短，并不代表一开始就更容易理解。在本节里，公式与代码的连接顺序是：先用循环确认含义，再用 NumPy 缩短表达。

不要只看最后一个数字¶

MSE 最后会变成一个数字。但在检查计算过程时，最好连中间值也一起看。

问题情境：

如果只看最终 MSE 数值，就很难马上读出到底哪个样本的误差更大

输入（input）：

上面算出的 errors
squared_errors
mse

输出（output）：

中间误差数组与最终平均平方误差

要确认的概念：

把中间值一起打印出来，可以检查公式每一步到底生成了什么数字
可以直接比较误差的符号和平方后的数值差别

# 这个例子计算真实值和预测值之间的误差，并把损失公式翻译成代码。
print(errors)
print(squared_errors)
print(mse)

如果输出看起来和下面相似，就可以确认每一步的含义。

1
2
3

[ 0.5 -0.5 -1. ]
[0.25 0.25 1.  ]
0.5

误差（error）有方向。预测值比真实值小还是大，会改变符号。但平方误差（squared error）不会变成负数。因此，MSE 成为一个用来平均衡量误差大小的指标。

也可以用图表来检查¶

如果只看数字，可能不容易一眼看出哪个样本的误差更大。用 Matplotlib 把真实值和预测值并排画出来，就更容易看出误差在哪些位置变大。

问题情境：

只看数值输出时，可能难以一眼把握每个样本差异的位置和大小

输入（input）：

真实值数组 actual
预测值数组 predicted
样本索引 index

输出（output）：

比较真实值与预测值的折线图

要确认的概念：

图表不会替代损失计算，但会成为解释误差分布的辅助工具
即使数字结果相同，可视化也能更快读出差异在哪些区间较大

# 这个例子计算真实值和预测值之间的误差，并把损失公式翻译成代码。
import matplotlib.pyplot as plt

index = np.arange(len(actual))

fig, ax = plt.subplots()
ax.plot(index, actual, marker="o", label="actual")
ax.plot(index, predicted, marker="o", label="predicted")
ax.set_xlabel("sample index")
ax.set_ylabel("value")
ax.set_title("Actual and predicted values")
ax.legend()
plt.show()

输出图像会按样本展示真实值与预测值之间的间隔。

显示真实值和预测值差异的折线图

本节的循环计算、NumPy 计算和图表保存流程，可以通过 p2_15_1_formula_to_code_mse.py 一次性重新执行。这个脚本会打印 loop mse、errors、squared errors、numpy mse，并把 actual-predicted-mse.png 保存到同一个资产文件夹。

这张图不会替你计算 MSE，而是帮助你用眼睛检查那些在压缩成一个数字之前的差异。

用案例来看¶

案例 1. 为什么看到损失公式后，还是不能马上写代码¶

假设一个学习者第一次看到平均平方误差公式，就卡在“这个怎么翻译成 Python？”这个问题上。人可能读得出公式的形状，但不一定能立刻连接上：哪个值是单个数字、哪个值是一组样本、sigma 在代码里到底会变成什么样的重复。

如果这时直接跳进一行 NumPy 代码，虽然可能拿到结果，却容易丢掉步骤。先把 actual 和 predicted 放成小列表，再用循环去求每个样本的误差、平方、总和、平均，那么公式的结构就会被转换成计算步骤。

然后再用 NumPy 数组把同样的计算缩短，就能把 压缩表达 和 计算含义 分开来读。换句话说，循环是解释公式的脚手架，而 NumPy 是把同样计算写得更简洁的表达。

这个案例会直接延续到 Part 3 之后的公式阅读。首先重要的不是快速写代码，而是先拥有把符号转换成“输入、重复、输出”步骤的感觉。

检查清单¶

能说明 MSE 公式里的 \(y_i\)、\(\hat{y}_i\)、\(n\)、\(\sum\) 各是什么意思吗？
能把同一个计算分别写成 Python 循环和 NumPy 数组计算吗？
能说明 errors、squared_errors、mse 之间的区别吗？
能说明为什么不能只看最终结果，而要检查中间值吗？
能说明图表是在帮助解释，而不是取代计算吗？
能在把公式翻译成代码时，先分开符号、数据形状和计算步骤吗？

来源与参考资料¶

Python Software Foundation, An Informal Introduction to Python, Python documentation, 确认日期：2026-07-20. https://docs.python.org/3/tutorial/introduction.html 这是公式转代码示例中数字、列表和基础计算表达的依据。
NumPy Developers, NumPy: the absolute basics for beginners, NumPy documentation, 确认日期：2026-07-20. https://numpy.org/doc/stable/user/absolute_beginners.html 这是数组创建、数组运算和用 np.mean 进行向量化计算说明的依据。
Matplotlib Developers, Quick start guide, Matplotlib documentation, 确认日期：2026-07-20. https://matplotlib.org/stable/users/explain/quick_start.html 这是用 Figure、Axes、plot、标签和图例检查计算结果图形的依据。