Appearance
demo_alkane.py
复制以下内容并保存为 demo_alkane.py,使用方法见配套代码说明。
python
# ===========================================================================
# 代码清单 2-8 案例三:正构烷烃沸点的外推(依赖 linear_unit、chem_data)
# ===========================================================================
"""
案例三:用 C1–C10 训练,外推预测 C11–C20 的常压沸点。
数据为 C1–C20 正构烷烃在 1 atm 下的沸点(手册值)。
"""
import math
import unicodedata
from linear_unit import (LinearUnit, PolynomialFeatures, StandardScaler,
r2_score, rmse)
from chem_data import build_alkane_dataset
N_TRAIN = 10 # 用 C1–C10 训练,C11–C20 做外推检验
def display_width(text):
return sum(2 if unicodedata.east_asian_width(ch) in "WF" else 1
for ch in text)
def pad(text, width, align="left"):
space = " " * max(0, width - display_width(text))
if align == "right":
return space + text
return text + space
def row(cells, widths, aligns):
return " ".join(pad(c, w, a) for c, w, a in zip(cells, widths, aligns))
def header(title):
print("\n" + "=" * 78)
print(title)
print("=" * 78)
def fit_on_train(ns, bp, feat, lr=0.2, n_epochs=40000):
"""用前 N_TRAIN 个点训练,返回 (模型, scaler, 特征构造函数)。
feat 是一个 n -> list[float] 的函数,代表"我们决定用哪些特征"。
"""
X = [feat(float(n)) for n in ns]
scaler = StandardScaler()
Xtr = scaler.fit_transform(X[:N_TRAIN])
model = LinearUnit(lr=lr, n_epochs=n_epochs, mode="batch").fit(
Xtr, bp[:N_TRAIN])
def predict_at(n):
return model.predict(scaler.transform([feat(float(n))]))[0]
return model, scaler, predict_at
def evaluate(ns, bp, feat, label):
"""训练 + 外推,打印一行结果,返回 (训练 RMSE, 外推 RMSE, n=20 预测)。"""
model, scaler, predict_at = fit_on_train(ns, bp, feat)
tr_pred = model.predict(scaler.transform([feat(float(n)) for n in ns[:N_TRAIN]]))
te_pred = [predict_at(n) for n in ns[N_TRAIN:]]
tr = rmse(bp[:N_TRAIN], tr_pred)
te = rmse(bp[N_TRAIN:], te_pred)
p20 = predict_at(20)
widths = (30, 14, 16, 16)
print(row((label, "%.1f" % tr, "%.1f" % te, "%.0f" % p20),
widths, ("left", "right", "right", "right")))
return tr, te, p20
def show_data(ns, names, bp):
header("数据:20 个正构烷烃的常压沸点")
print("\n" + row(("碳数 n", "名称", "沸点 / °C"), (10, 34, 14),
("right", "left", "right")))
print("-" * 60)
for n, name, t in zip(ns, names, bp):
mark = " ← 训练" if n <= N_TRAIN else ""
print(row(("%d" % n, name, "%.1f" % t), (10, 34, 14),
("right", "left", "right")) + mark)
print("\n前 %d 个(C1–C10)用来训练,后 10 个(C11–C20)完全不给模型看," % N_TRAIN)
print("它们专门用来回答一个问题:把模型推出它见过的范围,会发生什么。")
def act_one(ns, bp):
header("第一幕:特征只有碳数 n")
print("\n这是最自然的想法——沸点随碳数增长,那就拿碳数当特征。")
print("\n线性单元学到的是:Tb ≈ a·n + b")
print("\n" + row(("特征组合", "训练 RMSE", "外推 RMSE", "n=20 预测"),
(30, 14, 16, 16), ("left", "right", "right", "right")))
print("-" * 78)
tr, te, p20 = evaluate(ns, bp, lambda n: [n], "只用 n")
print("\n真实沸点:C20 是 %.1f °C,模型预测 %.0f °C,差了 %.0f °C。"
% (bp[-1], p20, p20 - bp[-1]))
print("\n为什么?因为沸点随碳数的增长是「越来越慢」的:")
diffs = [round(bp[i + 1] - bp[i], 1) for i in range(9)]
print(" 相邻烷烃的沸点差(C1→C10):%s" % diffs)
print(" 从 72.9 °C 一路掉到 23.3 °C,而且还在继续变小。")
print(" 一条直线只会保持同一个斜率,所以往外推得越远,错得越离谱。")
return tr, te, p20
def act_two(ns, bp):
header("第二幕:再加一个 n²")
print("\n既然曲线是弯的,那就加一个平方项,让模型也能弯。")
print("(严格说这仍然是「线性单元」——因为对参数 w 而言它依然是线性的,")
print(" 我们只是把特征从 [n] 换成了 [n, n²]。)")
print("\n" + row(("特征组合", "训练 RMSE", "外推 RMSE", "n=20 预测"),
(30, 14, 16, 16), ("left", "right", "right", "right")))
print("-" * 78)
tr, te, p20 = evaluate(ns, bp, lambda n: [n, n * n], "n 和 n²")
print("\n训练误差从 17 掉到 6 以下,看起来是进步。")
print("但 C20 的外推预测只有 %.0f °C,偏离真值(342.7 °C)比第一幕还远。" % p20)
print("\n原因:拟合出的抛物线在 C1–C10 上单调上升、但向下弯曲(二次项系数为负),")
print(" 但它必然有一个「顶点」。拟合出来的顶点大概在 n≈13 附近,")
print(" 过了顶点,抛物线就开始往下掉。")
print(" 模型在训练区间里学到的是「上升」,")
print(" 但在训练区间外给出的却是「下降」——这是纯粹的数学外推,")
print(" 没有任何化学在里面。")
print("\n这是本教程最重要的一课:")
print(" 更灵活的特征会让训练误差变小,同时让外推误差变大。")
print(" 只看训练集,你永远发现不了这件事。")
return tr, te, p20
def act_three(ns, bp):
header("第三幕:加入 n^(2/3)——由物理图像启发的特征")
print("\n现在换一个思路:不要问「什么函数能拟合得更好」,")
print("而要问「什么物理量在控制沸点」。")
print("\n物理图像:正构烷烃分子间以色散力(London 力)为主,")
print(" 色散作用的总强度大致随分子间的接触面积增长。")
print("\n 表面积怎么随 n 变?做一次量纲分析:")
print(" 对任何形状相近的凝聚相物体,表面积 ∝ 体积^(2/3)。")
print(" 而正构烷烃每加一个 CH2,体积就增加一个固定量,")
print(" 所以体积 ∝ n,于是接触表面积 ∝ n^(2/3)。")
print(" 这只是一个粗略的标度假设:真实分子是柔性链,并不是紧凑的球体。")
print(" 但它给出了一个可以检验的预言:指数应该在 0.67 附近。")
print(" 下面我们把它跑出来看看。")
print("\n下面采用特征 [n, n^(2/3)]:保留 n 的线性项,再加上表面积标度项 n^(2/3),")
print("由两者的线性组合描述「先快后慢」的增长趋势。")
print("\n" + row(("特征组合", "训练 RMSE", "外推 RMSE", "n=20 预测"),
(30, 14, 16, 16), ("left", "right", "right", "right")))
print("-" * 78)
tr, te, p20 = evaluate(ns, bp, lambda n: [n, n ** (2.0 / 3.0)],
"n 和 n^(2/3)")
print("\n真实沸点 C20 = %.1f °C,预测 %.0f °C,差了 %.0f °C。"
% (bp[-1], p20, abs(p20 - bp[-1])))
print("外推 RMSE 从 129 °C 降到 %.1f °C,降了二十多倍。" % te)
print("\n注意:我们并没有让模型更复杂。特征数还是 2 个,")
print(" 参数还是 3 个(w1, w2, b),训练代码一行都没改。")
print(" 改变的只是「喂给它什么」。")
print("\n这就是特征工程的含义:")
print(" 用化学知识决定模型「看什么」,往往比单纯增加模型的灵活性更有效。")
return tr, te, p20
def exponent_scan(ns, bp):
header("第四幕:扫描指数 p(注意:这一步用到了外推集)")
print("\n把特征固定成 [n, n^p],让 p 从 0.2 扫到 1.2,")
print("看哪一个指数的外推误差最小。")
print("\n" + row(("指数 p", "物理含义", "训练 RMSE", "外推 RMSE"),
(10, 24, 14, 16),
("right", "left", "right", "right")))
print("-" * 78)
best = None
for i in range(11):
p = 0.2 + 0.1 * i
X = [[float(n), float(n) ** p] for n in ns]
scaler = StandardScaler()
model = LinearUnit(lr=0.2, n_epochs=40000, mode="batch").fit(
scaler.fit_transform(X[:N_TRAIN]), bp[:N_TRAIN])
tr = rmse(bp[:N_TRAIN],
model.predict(scaler.transform(X[:N_TRAIN])))
te = rmse(bp[N_TRAIN:], model.predict(scaler.transform(X[N_TRAIN:])))
if best is None or te < best[1]:
best = (p, te)
note = ""
if abs(p - 1.0) < 1e-9:
note = "特征完全重复"
elif abs(p - 0.6) < 1e-9:
note = "误差最小"
elif abs(p - 2.0 / 3.0) < 0.034:
note = "量纲分析预言"
print(row(("%.1f" % p, note, "%.1f" % tr, "%.1f" % te),
(10, 24, 14, 16), ("right", "left", "right", "right")))
print("\n最优指数 p = %.2f,外推 RMSE 只有 %.2f °C。" % best)
print("量纲分析预言的 2/3 ≈ 0.67 与之相差不到 0.1。")
print("但请注意:这里按「外推 RMSE 最小」挑选 p,等于让外推集参与了模型选择,")
print("因此 p = 0.60 时的外推误差是偏乐观的,不能作为独立检验结果。")
print("\n注意 p = 1.0 那一行与第一幕的结果完全相同:")
print(" [n, n^1] 就是 [n, n]——两列完全相同的特征,没有带来任何新信息。")
print(" 此时 XᵀX 奇异,正规方程没有唯一解;梯度下降从零出发,则把权重平分给两列,")
print(" 得到与只用 n 等价的模型。这是多重共线性的极端情形。")
print("\n所以「加特征」不等于「加信息」:与已有特征重复的特征没有用处。")
def holdout_check(ns, bp):
header("附:如果反过来外推呢(用 C11–C20 训练,预测 C1–C10)")
print("\n换一个外推方向,进一步检查同一特征组合在这组数据上的表现。")
print("\n" + row(("特征组合", "训练 RMSE", "外推 RMSE", "n=1 预测"),
(30, 14, 16, 16), ("left", "right", "right", "right")))
print("-" * 78)
for label, feat in (("只用 n", lambda n: [n]),
("n 和 n^(2/3)", lambda n: [n, n ** (2.0 / 3.0)])):
X = [feat(float(n)) for n in ns]
scaler = StandardScaler()
Xtr = scaler.fit_transform(X[N_TRAIN:])
model = LinearUnit(lr=0.2, n_epochs=40000, mode="batch").fit(
Xtr, bp[N_TRAIN:])
tr_pred = model.predict(scaler.transform(X[N_TRAIN:]))
te_pred = model.predict(scaler.transform(X[:N_TRAIN]))
p1 = model.predict(scaler.transform([feat(1.0)]))[0]
print(row((label,
"%.1f" % rmse(bp[N_TRAIN:], tr_pred),
"%.1f" % rmse(bp[:N_TRAIN], te_pred),
"%.0f" % p1), (30, 14, 16, 16),
("left", "right", "right", "right")))
print("\n真实值:甲烷沸点 %.1f °C。" % bp[0])
print("只用 n 的直线模型向下外推同样失败(甲烷预测为 39 °C);")
print("而 [n, n^(2/3)] 模型向下外推的误差仍然很小。")
print("这支持该特征组合在 C1–C20 范围内描述主要趋势,")
print("但不能据此保证更长链范围内的预测可靠。")
print("\n但仍需谨慎:外推得越远、越接近物理机制发生变化的区域,")
print(" 任何模型——无论是否线性——都越不可信。")
def all_data(ns, bp):
header("附:用全部 20 个点拟合,能好吗")
print("\n" + row(("特征组合", "R²", "RMSE / °C"), (30, 12, 16),
("left", "right", "right")))
print("-" * 60)
for label, feat in (("只用 n", lambda n: [n]),
("n 和 n²", lambda n: [n, n * n]),
("n 和 n^(2/3)", lambda n: [n, n ** (2.0 / 3.0)])):
X = [feat(float(n)) for n in ns]
scaler = StandardScaler()
Xs = scaler.fit_transform(X)
model = LinearUnit(lr=0.2, n_epochs=40000, mode="batch").fit(Xs, bp)
pred = model.predict(Xs)
print(row((label, "%.4f" % r2_score(bp, pred),
"%.2f" % rmse(bp, pred)), (30, 12, 16),
("left", "right", "right")))
print("\n在整个区间内,[n, n^(2/3)] 依然是最准的。")
print("合适的特征让插值和外推同时变好;")
print("而 n² 只改善了插值,一到外推就失效——")
print("所以训练集上的表现不能单独作为选择特征的依据。")
def main():
ns, names, bp = build_alkane_dataset()
show_data(ns, names, bp)
act_one(ns, bp)
act_two(ns, bp)
act_three(ns, bp)
exponent_scan(ns, bp)
holdout_check(ns, bp)
all_data(ns, bp)
header("案例总结")
print("""
第一幕 特征 = [n] 训练 RMSE 17.3 外推 RMSE 129.1 n=20 预测 551
第二幕 特征 = [n, n²] 训练 RMSE 5.6 外推 RMSE 132.9 n=20 预测 95
第三幕 特征 = [n, n^(2/3)] 训练 RMSE 1.8 外推 RMSE 5.8 n=20 预测 334
(真值:C20 的沸点是 342.7 °C)
三行数字,三个结论:
1. 训练误差不能单独用来选模型。第二幕的训练误差比第一幕小,
外推误差却更大,需要根据实际使用范围做验证。
2. n² 和 n^(2/3) 都由同一个碳数计算得到,
但它们让线性单元能够表达不同的曲线,外推趋势也随之改变。
3. 领域知识可以帮助提出特征候选,但效果仍需独立检验。
本例的 n^(2/3) 是粗略标度启发的经验选择,不能当作严格物理定律。
""")
if __name__ == "__main__":
main()