11、机器学习数据处理与线性回归模型

机器学习数据处理与线性回归模型

1. 数据集加载与划分

1.1 数据集加载方法

在机器学习中，有多种常用的数据集可以用于实验和学习，以下是一些常见数据集的加载方法：
| 数据集名称 | 加载方法 |
| — | — |
| 波士顿房价数据集 | datasets.load_boston() |
| 糖尿病数据集 | datasets.load_diabetes() |
| 威斯康星乳腺癌数据集 | datasets.load_breast_cancer() |
| 葡萄酒数据集 | datasets.load_wine() |

1.2 数据集划分

将数据集划分为训练集和测试集是机器学习中的核心操作。Scikit-learn 提供了 train_test_split 函数来实现这一功能，其语法为 train_test_split(X, y, test_size=0.25) ，其中 X 是特征矩阵， y 是目标变量， test_size 用于控制测试集的大小，默认值为 0.25，即测试集占总数据集的 25%。通常会设置 shuffle=True 来在划分前对数据集进行洗牌。以下是一个示例代码：

from sklearn.m