Sklearn 本身就有很多數(shù)據(jù)庫，可以用來練習(xí)。 以 Iris 的數(shù)據(jù)為例，這種花有四個屬性，花瓣的長寬，莖的長寬，根據(jù)這些屬性把花分為三類。

用分類器 把四種類型的花分開

導(dǎo)入模塊

from sklearn import datasets

from sklearn.model_selection import train_test_split

from sklearn.neighbors import KNeighborsClassifier

創(chuàng)建數(shù)據(jù)

加載iris 的數(shù)據(jù) 把屬性存在X.類別標(biāo)簽存在y

iris = datasets.load_iris()

iris_X=iris.data

iris_y = iris.target

觀察數(shù)據(jù)集，x有四個屬性 y 有0， 1，2 三類

print(iris_X[:2,:])

print(iris_y)

把數(shù)據(jù)集分為訓(xùn)練集 和測試集 ，其中test_size = 0.3 ，即 測試集占總數(shù)據(jù)的30%

X_train,X_test,y_train,y_test =train_test_split(iris_X,iris_y,test_size = 0.3)

print(y_train)

導(dǎo)入模塊

from __future__import print_function

from sklearn import datasets

from sklearn.linear_model import LinearRegression

import matplotlib.pyplot as plt

導(dǎo)入數(shù)據(jù)- 訓(xùn)練模型

用 datasets.load_boston() 的形式 加載數(shù)據(jù)，并給 X 和 y 賦值

loaded_data =datasets.load_boston()

data_X =loaded_data.data

data_y = loaded_data.target

?定義模型

可以直接用默認(rèn)值去建立 model,默認(rèn)值也不錯，也可以自己改變參數(shù)使模型更好，然后用training data 去訓(xùn)練模型

model = LinearRegression()

model.fit(data_X,data_y)

打印出預(yù)測值，這里用X的前四個來預(yù)測 同時打印真實值，作為對比

print(model.predict(data_X[:4,:]))

print(data_y[:4])

創(chuàng)建虛擬數(shù)據(jù)-可視化

用函數(shù)來建立 100個sample? 有一個feature 喝一個target 這樣比較方便可視化

X,y=datasets.make_regression(n_samples=100,n_features=1,n_targets=1,noise=10)

用scatter的形式來輸出結(jié)果。

plt.scatter(X,y)

plt.show()

noise越大的話，點就會越來越離散，例如noise由 10 變?yōu)?50.

X,y=datasets.make_regression(n_samples=100,n_features=1,n_targets=1,noise=50)

plt.scatter(X,y)

plt.show()