1.前言
Sklearn 中的datasets，很多而且有用，可以用来学习算法模型。
比如： boston 房价, 糖尿病, 数字, Iris 花。
也可以生成虚拟的数据，例如用来训练线性回归模型的数据，可以用函数来生成。
例如，点击进入 boston 房价的数据，可以看到 sample 的总数，属性，以及 label 等信息。
如果是自己生成数据，按照函数的形式，输入 sample，feature，target 的个数等等。
sklearn.datasets.make_regression(n_samples=100, n_features=100, n_informative=10, n_targets=1, bias=0.0, effective_rank=None, tail_strength=0.5, noise=0.0, shuffle=True, coef=False, random_state=None)[source]
2.Sklearn实战线性回归
2.1.导入必要模块
from sklearn import datasets #导入数据模块
from sklearn.model_selection import train_test_split #导入切分训练集、测试集模块
from sklearn.linear_model import LinearRegression
2.2.加载数据
加载 boston房价 的数据，把属性存在 X，类别标签存在 y：
boston_data = datasets.load_boston() #加载数据
data_x = boston_data.data #数据
data_y = boston_data.target #标签
观察一下数据集
print(data_x)
print(data_y)
把数据集分为训练集和测试集，其中 test_size=0.3，即测试集占总数据的 30%：
x_train, x_test, y_train, y_test = train_test_split(data_x, data_y,test_size = 0.3)
print(y_train)
print(y_test)
可以看到分开后的数据集，顺序也被打乱，这样更有利于学习模型：
2.3.训练+预测
定义模块方式 LinearRegression()， 用 fit 来训练 training data，这一步就完成了训练的所有步骤， 后面的 model 就已经是训练好的模型，可以直接用来 predict 测试集的数据， 对比用模型预测的值与真实的值，可以看到大概模拟出了数据，但是有误差，是不会完完全全预测正确的。
model = LinearRegression() #实例化模型
model.fit(x_train, y_train) #用训练数据训练
print(model.predict(x_test)) #预测
print(y_test) #实际
为了提高准确度，可以通过尝试不同的 model，不同的参数，不同的预处理等方法，入门的话可以直接用默认值。
