数据预处理：
当接收到数据以后，我们应该使用print(pdData.describe())观察数据，是否有缺失值，使用pdData.head()方法，去查看有哪些特征值进行数值转换，将字符串变成0,1。
数据缺失：数值型采用均值填充，字符串型采用众数填充。pdData["Age"].fillna(pdData["Age"].median());
数值转换：pdData.loc(pdData["Sex"]=="male","Sex")=0 使用print(pdData["Sex"].unique())查看"Sex"特征值
数据二分类：选择数值型的变量作为特征，判断目标值
线性回归解决问题：
首先导入sklearn库中的LinearRegression和交叉验证cross_validation模块的KFold库
1.创建特征数组 2.获得LinearRegression对象alg 3.利用KFold创建对象，需要传入数据总行数pdData.shape[0]
以及交叉验证次数
4.使用for循环，遍历kfold中的训练和测试集 5.获取预测的测试集和预测的结果集 6.使用fit()方法进行训练
7.使用predict()预测
随机森林解决问题：
导入cross_validation中的KFold和RendomForestClassifier
1.创建特征数组 2.获得随机森林分类器对象alg 3.交叉验证的对象kf 4.使用cross_val_score（）获得结果。
参数的选择：
使用GridSearchCV这个库
1.创建随机树参数字典 2.GridSearchCV()创建对象grid 3.使用fit() 4.输出结果
特征选择：
判断每个特征对结果的影响