【sklearn的一般流程】数据的获取

1.生成回归数据 make_regression()

from sklearn.datasets import make_regression
X, y, coef = make_regression(n_samples=200, n_features=1, n_informative=1, n_targets=1,
                       bias = 0, effective_rank=None, noise = 20,
                        tail_strength=0,random_state=0, coef = True)

属性说明：

属性	默认值	说明
n_samples	int, optional (default=100)	样本数量
n_features	int, optional (default=100)	特征数量
n_informative	int, optional (default=10)	对回归有效的特征数量
n_targets	int, optional (default=1)	y的维度
bias	float, optional (default=0.0)	底层线性模型中的偏差项。相当于y的中位数
effective_rank	int or None, optional (default=None)	有效等级
noise	float, optional (default=0.0)	设置高斯噪声的标准偏差加到数据上。
shuffle	boolean, optional (default=True)	是否洗牌
coef	boolean, optional (default=False)	如果为真，则返回权重值
random_state	int,	设置随机种子

个人理解：
n_informative：该项为对本次回归有用的特征数量，举个例子，我们想要预测房价，手上的特征有：房子面积、房龄、地段和房主的名字，显然前3项特征时有效特征，而房主的名字属于无效特征，改变其值并不影响回归效果。这里的n_informative就是3，总特征数为4.
noise：其值是高斯分布的偏差值，其值越大数据越分散，其值越小数据越集中。
shuffle：设置是否洗牌，如果为False，会按照顺序创建样本，一般设置为True。

返回值：X ,y ,coef

效果图：

其coef（权重值） = 96.19

当设置更大的noise之后：

2.生成分类数据 make_classification()

from sklearn.datasets import make_classification
X, y = make_classification(n_samples=200, n_fe