对sklearn里的鸢尾花数据集进行线性回归分析

纯小白，学习sklearn

from sklearn.datasets import load_iris //导入数据集
from sklearn import linear_model//导入线性回归模型
import matplotlib.pyplot as plt
from sklearn.metrics import mean_squared_error, r2_score

from sklearn.model_selection import train_test_split   //导入数据集分割
iris = load_iris()//加载数据集

X_train, X_test, y_train, y_test = train_test_split( iris['data'],     
                    iris['target'],     
                    test_size=0.2 )  //对数据集进行分割，这里的 iris['data'] 是 Iris 数据集的特征部分，iris['target'] 是目标变量（标签）。test_size=0.2 意味着将数据集按 8:2 的比例划分为训练集和测试集，其中测试集占总数据的 20%。

//创建估计器，相当于创建线性回归模型对象
regr = linear_model.LinearRegression()

//fit()就是开始训练模型，用的是训练集数据
regr.fit(X_train,y_train)

//创建预测器，为了对剩下的测试集数据进行预测，通过x预测y值
y_pred = regr.predict(X_test)

//输出结果，分别是模型的系数、均方误差和决定系数，系数表示了每个特征对目标变量的影响程度，均方误差衡量了模型的预测误差大小，而决定系数则表示模型对数据方差的解释程度。均方误差小，决定系数高，说明模型的预测结果与实际观测值比较接近，模型对数据的解释程度也较高。模型系数表示了每个特征对目标变量的影响程度。系数的正负值表示了特征与目标变量之间的正相关或负相关关系，系数的大小则表示了特征对目标变量的影响强度。

//模型系数
print("Coefficients: \n", regr.coef_)
//均方误差
print("Mean squared error: %.2f" % mean_squared_error(y_test, y_pred))
//决定系数
print("Coefficient of determination: %.2f" % r2_score(y_test, y_pred))

---------------------------------------------------------------------------------------------------------------------------------结果：

Coefficients: 
 [-0.01148717 -0.1507466   0.17339247  0.62553567]//模型系数，分别是四个特征值对结果的影响程度
Mean squared error: 0.06//均方误差
Coefficient of determination: 0.91//决定系数