版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/yangfengling1023/article/details/83000612
sklearn是python的一个包，也是机器学习中常用的一个模块，里面封装了很多机器学习的算法，不需要对机器学习算法的实现，只需要简单地调用sklearn里相对应的模块即可。
机器学习任务通常包括分类classification、回归Regression，常用的分类器包括SVM、KNN、贝叶斯、线性回归、逻辑回归、决策树、随机森林、xgboost、GBDT、boosting、神经网络NN。
常见的降维方法包括TF-IDF、主题模型LDA、主成分分析PCA等
https://blog.csdn.net/Jorocco/article/details/62892682?locationNum=8&fps=1 这个网址中对sklearn中各个机器学习算法的使用介绍的比较详细
#coding:utf-8
from sklearn import datasets
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
#使用以后的数据集进行线性回归（这里是波士顿房价数据）
##1 数据的加载
loaded_data=datasets.load_boston()
data_X=loaded_data.data
data_y=loaded_data.target
##2 模型的加载
model=LinearRegression()
##3 模型的训练
model.fit(data_X,data_y)
print(model.predict(data_X[:4,:]))
print(data_y[:4])
#使用生成线性回归的数据集，最后的数据集结果用散点图表示
X,y=datasets.make_regression(n_samples=100,n_features=1,n_targets=1,noise=10)
#n_samples表示样本数目，n_features特征的数目 n_tragets noise噪音
plt.scatter(X,y)
plt.show()
运行的结果如下所示：
