4、机器学习基础：掌握特征、标签、训练集/测试集、模型、推理等核心概念，理解监督学习的基本流程
在开始Arduino TinyML项目之前，必须先建立机器学习（Machine Learning, ML）的核心概念框架。TinyML的本质是将机器学习模型压缩并部署到微控制器（如Arduino Nano 33 BLE Sense）上，因此理解数据如何被“喂”给算法、模型如何“学习”以及最终如何“工作”，是选择模型架构、调试数据采集代码和评估部署效果的前提。本章将围绕监督学习这一最主流范式，拆解特征、标签、训练集/测试集、模型与推理这五个关键要素，并梳理从数据到部署的完整流程。
上图展示了监督学习从数据到部署的完整闭环。下面我们将逐一深入每个环节，并结合Arduino TinyML的具体场景进行说明。
4.1 核心概念：特征、标签、模型与推理
特征（Feature）是描述一个样本的量化属性。在TinyML中，特征不是原始传感器电压值，而是经过加工的信号特征。例如，使用加速度计检测手势时，原始数据是X、Y、Z三轴的连续读数，但直接将这些原始值送入模型往往效果不佳。我们需要计算窗口内的均值、方差、峰值、过零率，或者通过快速傅里叶变换（FFT）提取频域能量。这些统计量或频域分量才是真正输入模型的特征向量。
标签（Label）是监督学习中人为赋予样本的“正确答案”。对于分类任务，标签是离散的类别；对于回归任务，标签是连续数值。在Arduino项目中，标签通常对应我们想要识别的状态：静止、行走、挥手、拍手、说话等。标签的质量直接决定模型的上限——如果标签错误或模糊，再好的算法也无法学到正确的映射关系。
模型（Model）本质上是特征到标签的映射函数。在传统机器学习中，模型可能是决策树的一组分裂规则，或是支持向量机的一组权重系数；在深度学习中，模型是神经网络中成千上万个连接权重。训练过程就是通过优化算法自动调整这些参数，使得模型在训练数据上的预测误差最小化。
推理（Inference）是指使用训练好的模型对新的、未见过的数据进行预测的过程。在Arduino上，推理意味着将传感器实时采集的数据转换为特征，然后让模型计算输出类别概率。推理阶段要求计算速度快、内存占用低，这正是TinyML面临的独特挑战。
关键理解：训练和推理是两种完全不同的模式。训练通常在PC或云端完成，需要大量计算资源；推理则在Arduino上实时进行，要求极低的延迟和功耗。TinyML的核心工作之一就是将训练好的模型压缩、量化，使其能在资源受限的MCU上高效运行。
4.2 训练集与测试集：评估模型的真实能力
机器学习的目标是让模型在未见过的数据上表现良好，而非仅仅记住训练数据。因此，我们必须将采集到的全部数据划分为两个互斥的子集：训练集（Training Set）和测试集（Test Set）。
训练集用于拟合模型参数，测试集用于评估模型的泛化能力。一个常见的错误是使用训练集来评估模型，这会导致过于乐观的准确率估计。例如，模型可能完全“背下”了训练样本的噪声，但在新数据上表现糟糕——这种现象称为过拟合（Overfitting）。
| 数据集 | 用途 | 典型比例 | 注意事项 |
|---|---|---|---|
| 训练集 | 更新模型参数（权重/分裂点） | 70%-80% | 必须包含各类别的典型样本 |
| 测试集 | 评估最终模型的泛化性能 | 20%-30% | 训练过程中绝不能“偷看”测试集 |
| 验证集（可选） | 调整超参数、选择模型 | 从训练集中划分10%-15% | 用于模型选择，而非最终评估 |
在Arduino TinyML项目中，数据划分需要特别注意时间相关性。如果连续采集了10分钟传感器数据，随机打乱后划分训练集和测试集，会导致同一时间段的数据同时出现在两个集合中，造成数据泄漏。正确的做法是按时间顺序划分：例如前7分钟数据作为训练集，后3分钟作为测试集，确保测试集数据在时间上与训练集不重叠。
4.3 监督学习的基本流程：从数据采集到模型部署
一个完整的监督学习TinyML项目通常包含以下六个步骤，每一步都有其特定的工具和方法。
- 数据采集与清洗：使用Arduino板载传感器（如IMU、麦克风、环境光传感器）采集原始数据。采集时需覆盖不同场景、不同用户、不同环境条件，以增强模型的鲁棒性。清洗包括去除异常值、处理缺失数据（通常直接丢弃不完整窗口）。
- 特征工程：将原始时间序列转换为有意义的特征向量。对于IMU数据，常用特征包括时域统计量（均值、标准差、均方根）和频域特征（FFT峰值、频谱质心）。特征选择的原则是：尽量用少量特征捕获足够的区分信息，避免“维度灾难”。
- 数据标注：为每个样本窗口分配正确的标签。在Arduino项目中，可以通过串口发送命令来实时标注，或者采集后离线标注。标注一致性至关重要——建议制定明确的标注规范，例如“手势从开始到结束的完整窗口标记为对应手势类别”。
- 模型训练：在PC端使用Python（scikit-learn、TensorFlow Lite）训练模型。对于初学者，建议从简单的模型开始：逻辑回归、决策树、随机森林或小型全连接神经网络。训练时需监控训练集和验证集的损失曲线，判断是否存在欠拟合或过拟合。
- 模型评估与优化：使用测试集计算准确率、精确率、召回率、F1分数等指标。如果准确率不达标，需要返回调整特征或模型结构。对于TinyML，还需考虑模型大小和推理时间——例如，将32位浮点权重量化为8位整数，可以显著减少内存占用。
- 部署与推理：将训练好的模型转换为TensorFlow Lite格式，再通过
xxd工具生成C语言数组，嵌入Arduino代码中。在Arduino上，每次推理需要完成：读取传感器数据 → 计算特征 → 输入模型 → 获取输出概率 → 执行相应动作（如点亮LED、播放声音）。
经验提醒：在Arduino上调试推理时，建议先使用串口打印输出特征值和模型预测结果，与PC端测试结果进行对比。如果两者不一致，通常是因为特征计算方式不同（如归一化参数不一致）或数据预处理顺序有误。
4.4 案例拆解：基于加速度计的手势识别
让我们通过一个具体的Arduino TinyML项目来串联上述概念。假设我们要实现一个“拍手检测器”，用于控制LED灯的开关。
背景与约束：使用Arduino Nano 33 BLE Sense板载的LSM9DS1 IMU（惯性测量单元），采样频率设为50Hz（每20ms采集一次）。目标是在MCU上实时检测“拍手”动作，响应延迟小于200ms。训练数据需要从3位不同用户采集，每人做50次拍手和50次非拍手动作（如挥手、握拳），总计300个样本。
特征提取方案：每个样本窗口取40个采样点（即0.8秒）。对每个轴（X、Y、Z）计算以下特征：均值、标准差、峰值（最大值-最小值）、过零率。这样每个样本共有3轴 × 4特征 = 12维特征向量。
训练与评估：使用scikit-learn的随机森林分类器（100棵树）。按时间顺序划分：前2位用户的数据作为训练集（200个样本），第3位用户的数据作为测试集（100个样本）。训练后测试集准确率达到96%。混淆矩阵显示，主要错误是将“快速挥手”误判为“拍手”，这是因为两者在加速度幅值上相似。
部署优化：将随机森林模型转换为C数组后，占用约8KB Flash和2KB RAM，完全满足Arduino Nano 33 BLE Sense的存储限制。推理时间约15ms，满足实时性要求。在部署时，我们还在代码中加入了滑动窗口重叠（每次滑动10个采样点），以提高检测的连续性。
结果与复盘：实际运行中，检测准确率约为90%，低于测试集结果。分析原因是现场环境有振动干扰，且用户拍手力度变化较大。改进措施包括：增加训练数据多样性（加入不同力度、不同方向的拍手）、增加频域特征（FFT能量比）、以及使用更复杂的模型（如1D卷积神经网络）。
风险提示：在TinyML项目中，不要盲目追求高测试集准确率。测试集准确率是在离线数据上计算的，而实际部署时传感器噪声、用户差异、环境变化都会导致性能下降。建议在部署前进行至少一周的现场测试，收集真实场景数据来评估模型的稳定性。
4.5 常见误区与总结
初学者在理解机器学习基础时，常犯以下错误，需要特别警惕：
- 误区一：数据越多越好，忽略数据质量。如果标注错误率高，更多数据只会让模型学到更多错误模式。应定期检查标注一致性，必要时重新标注。
- 误区二：特征越多越好。高维特征不仅增加计算负担，还可能导致过拟合。在TinyML中，每增加一个特征，模型大小和推理时间都会增加，应优先选择物理意义明确、区分度高的特征。
- 误区三：用训练集准确率来宣传模型性能。这是严重的学术不端和工程失误。必须使用独立的测试集来报告最终性能。
- 误区四：忽略数据划分的时间顺序。在时间序列数据中，随机打乱划分会导致数据泄漏，使测试集结果虚高。
- 误区五：认为模型越复杂越好。在MCU上，复杂模型（如深度神经网络）可能无法在有限内存和计算能力下运行。应优先考虑简单模型，如决策树、逻辑回归，它们往往在小型数据集上表现更好且更易部署。
总结来说，监督学习是TinyML应用的基础范式。理解特征、标签、训练集/测试集、模型和推理这五个核心概念，掌握从数据采集到部署的完整流程，是开发任何端侧AI应用的第一步。在实际项目中，建议遵循“简单模型优先、数据质量至上、充分验证再部署”的原则，逐步迭代优化。