机器学习 sklearn几个回归模型的封装测试在不同的数据类型的表现以及适用情况

写在前面的话：这一段时间都是在学习sklearn库的学习，当通过这一段时间的了解各个模型的精确度想要进行比较 一下，所以想着自己把同一类的算法封装的一块以后直接调用接口，当然在这个封装过程中只是单纯的库函数实现的模型，对于调整参数没有过多设

1. 首先我们这次选取的就j就是datasets 库里面波士顿房价问题
2. 在这个问题之前我们先来介绍一下各个模型的适配对象，最先想到的就是三个线性回归模型
   lassso 和Ridge 以及线性lineaRegression 之间不同的区别一个针对高纬度数据的回归。优点包括：
   最小角回归1. 当维度远远大于数据点的个数时，非常有效。
   Ridge拥有向前选择法的速度，同时具有普通最小二乘法的复杂度。
   LineaRegression更符合人的直觉，比如两个相似的数据会有两个相似的结果。
   缺点：因为他是基于迭代的，所以对噪声特别敏感。

import pandas as pd 
import matplotlib.pyplot as  plt 
from sklearn import model_selection
from sklearn import datasets 
# from sklearn.neighbors import KNeighborsClassifier 

data=datasets.load_boston()
print(data.data.shape)
print(data.target.shape)
boston_x=data.data
boston_y=data['target']


from  sklearn import model_selection 
from sklearn import preprocessing 
from sklearn.pipeline import Pipeline#多项式回归
#导入弹性