AI Python基础教程：用虚拟环境跑通第一个机器学习模型

零基础学AI，最怕一上来就啃高数和线代。
更实际的做法是先把Python环境搭好，用现成的库跑通一个最小的分类模型，看到准确率数字，再回头补理论。
这篇AI Python基础教程就按这个顺序走：装Python、建虚拟环境、装库、跑模型、验证结果，每一步都给出命令和预期输出。

先确认电脑上有没有Python

打开终端（Windows用PowerShell或CMD，macOS和Linux用Terminal），输入：

python --version

如果返回类似 Python 3.10.12 的版本号，说明已经安装。
如果提示“不是内部或外部命令”或“command not found”，需要先去 python.org 下载安装包。
安装时注意勾选 Add Python to PATH，否则终端找不到python命令。

建议使用 Python 3.9 以上版本，太老的版本可能装不上新版scikit-learn。
版本号不用追求最新，稳定即可。

创建独立虚拟环境，避免污染系统

直接往系统Python里装库，时间久了容易版本冲突。
虚拟环境相当于给每个项目单独开一个房间，库装坏了删掉重来就行。

进入你打算放项目的目录，执行：

mkdir ai-demo && cd ai-demo
python -m venv venv

创建完成后激活虚拟环境：

• Windows PowerShell：.\venv\Scripts\Activate.ps1
• Windows CMD：venv\Scripts\activate.bat
• macOS/Linux：source venv/bin/activate

激活后终端提示符前面会出现 (venv) 字样。
以后每次打开新终端跑这个项目，都要先激活一次。

安装scikit-learn并跑通第一个分类模型

scikit-learn是Python里最常用的机器学习库之一，封装好了分类、回归、聚类等算法，适合入门阶段跳过底层实现直接看效果。
在激活的虚拟环境里执行：

pip install scikit-learn

安装完成后，新建文件 first_model.py，写入以下代码：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
    iris.data, iris.target, test_size=0.3, random_state=42
)

# 训练决策树分类器
model = DecisionTreeClassifier(random_state=42)
model.fit(X_train, y_train)

# 预测并计算准确率
pred = model.predict(X_test)
print("准确率:", accuracy_score(y_test, pred))

运行：

python first_model.py

如果输出类似 准确率: 1.0，说明模型在测试集上全部分对。
iris数据集比较简单，决策树拿到高分是正常现象，不代表模型万能。

跑不通时先查这三处

报错 ModuleNotFoundError: No module named 'sklearn'：说明当前Python环境里没装scikit-learn。
先确认终端提示符有 (venv)，再执行 pip install scikit-learn。
如果装到了系统环境，激活虚拟环境后重新装一次。

报错 pip: command not found：虚拟环境可能没创建成功。
删除 venv 目录，重新执行 python -m venv venv，再激活。

准确率明显偏低或每次运行结果不同：检查 random_state 是否固定。
代码里训练集划分和模型都设置了 random_state=42，结果应该可复现。
如果没设置，每次划分不同，准确率会浮动。

另外，Windows上激活脚本可能被系统策略拦截，提示“无法加载文件，因为在此系统上禁止运行脚本”。
可以改用CMD激活，或在PowerShell中执行 Set-ExecutionPolicy -Scope CurrentUser RemoteSigned 后重试。

结果验证与下一步

看到准确率数字只是起点。
建议做两件事验证自己真的跑通了：一是把 test_size 改成0.2，观察准确率变化；
二是把模型换成 from sklearn.linear_model import LogisticRegression，对比两个模型的结果。
能独立完成这两处修改，说明环境、库和基本流程都已经打通。

后续想深入，可以在这个基础上学习特征工程和模型评估指标，但不要跳过“先跑通”这一步。
环境问题解决不了时，优先检查虚拟环境是否激活、pip是否指向当前环境，这两点能覆盖大部分新手卡点。