模型训练，基于Skearn.learn。学习理解

1.https://blog.csdn.net/weixin_42013825/article/details/90142840

根据上面的数据清洗流程，对数据集进行处理。

2.定义交叉函数。

3.对数据集进行特征的选择

4. 确定模型：

       套索回归：Lasso regression

       弹性网络回归：Elastic NET Regression

       核岭回归：kernel ridge regression

       梯度提高回归：Gradient Bootstring regresion

      梯度提高：XGBoost

       基于决策树的梯度框架：LightGBM

5. 查看数据模型在交叉验证中的结果（mean，std）

6. 堆积模型，最简单模型：平均基本模型。定义平均基本模型，对单个模型进行集成。

7. 模型检验，查看各个模型的得分。

8.根据得分最后结果，添加一个元模型（mate_model）,并测试数据

9.叠加平均模型。拟合-学习-预测。元模型是为了比较其他几个模型。

10.定义评估函数，以及最后的学习和预测。

11.集合测试集，按占比吧各个模型数据加到一起，保存。