xiaoyang01234的博客

print("鸢尾花数据集的特征集为：\n", iris.data, iris.data.shape) # 查看特征集的种类和数量。print("鸢尾花数据集的特征名字为：\n", iris["feature_names"])print("特征值的训练集为：\n", x_train, x_train.shape)return训练集特征值，测试集特征值，训练集目标值，测试集目标值（# 代码1，sklearn，调用函数，鸢尾花的数据集。print("鸢尾花数据集:\n", iris)相同的种子采样结果相同。

定义：机器学习时从数据中自动分析获得模型（可以假想成一种规律），并利用模型对未知数据进行预测。5）模型评估（如果模型的效果不够好，我们就返回第2）的环节，重新循环）3）特征工程（其实也算是数据处理，将数据处理为电脑能够使用的数据）结构：特征值+目标值（有一些数据集没有目标值）目标值：连续性的数据——回归问题。4）机器学习算法训练——模型。目标值：类别——分类问题。

DictVectorizer.fit_transform(x) x:字典或者包含字典迭代器返回值：返回spare矩阵。print(f"特征名字:\n{transfer1.get_feature_names_out()}")data = [{'city': '北京', 'temperature': 100},{'city': '上海', 'temperature': 60},{'city': '深圳', 'temperature': 30}]1.将数据集的特征->字典类型。# 代码1：字典特征的抽取问题。

print(f"data_new:\n{data_new.toarray()}") # sparse中写了一个对象，对象中有一个方法.toarray()能够查看这个特征的矩阵形式。print(f"data_new:\n{data_new.toarray()}") # sparse中写了一个对象，对象中有一个方法.toarray()能够查看这个特征的矩阵形式。print(f"data_new的sparse矩阵为：\n{data_new}")data = ["我爱北京天安门", "天安门上太阳升"]