Sklearn（scikit-learn）

1. Sklearn 中的数据库
2. 导入数据-训练模型  波士顿房价数据

3. 使用线性回归的方式——LinearRegression

4. 基本理解：是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装支持包括分类、回归、降维和聚类四大机器学习算法。还包含了特征提取、数据处理和模型评估三大模块。
5. 作用：以面向对象的思维，import不同数据打包，实例化后再对数据进行分析和训练
6. 监督学习与非监督学习的区别：类似于上课听完课后是否再有大量考试训练，有大量考试的为监督学习，没有的为非监督学习，有少量的称为半监督学习（由数据和标签的数量决定）

   

    

7. 实例操作 —— 使用iris鸢尾花数据集

• 一张图一个结果，做相应解说

  由该次操作延申出的问题与收获

  问题：需要去接触KNN算法

• 第一次测试结果：可见此时数据y的分类是有序的

  

   

• 将数据进行分类，分为训练集和测试集，以及预测值组和真实值组

• 规定测试集所占比例，此时规划好的数据y变为乱序，

  后续处理数据也是如此，选择乱序的更有普适性

• 

   

• 初步使用sklearn中模块

1. Sklearn 中的数据库

• 导入数据-训练模型  波士顿房价数据

            使用线性回归的方式——LinearRegression

可以看出预测值与真实值还存在一定误差

还需要尝试不同model或者改变一定参数减小误差

• 创建虚拟数据-可视化

noise表示噪声点，noise越大数据点越离散