基于python语言的sklearn机器学习回归流程

使用python语言的sklearn包实现基础的机器学习操作是很简单的。毕竟算法部分的源码已经写好了，我们只需要调用即可。

基础机器学习操作无非就是四大部分：

1. 导入相应的包及数据
2. 数据预处理；
3. 模型建立及拟合
4. 模型评估及预测

1、导入相应的包及数据

首先我们进行第一步，导包及数据。sklearn中主要包括六大类，这个到官网上的主页面一下就能看到。这里我导入了sklearn中的五个函数，其中StandardScaler用作数据标准化、train_test_split用作数据分割训练集和测试集、RandomForestRegressor用作回归模型的建立。

1.1导包

import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from matplotlib import pyplot as plt
from xgboost import XGBRegressor as XGBR

1.2导入数据

data = pd.read_csv(r'./data.csv')
data.info()

2、数据预处理

数据预处理的基础必备操作包括缺失