Python scikit-learn 模块：学习路径

from sklearn.datasets import load_iris  # 导入 iris 数据集
from sklearn.model_selection import train_test_split  # 导入数据集拆分工具
from sklearn.ensemble import RandomForestClassifier  # 导入随机森林分类器
from sklearn.metrics import accuracy_score  # 导入准确率评估工具

# 加载数据集
iris = load_iris()  # 获取 iris 数据集
X = iris.data  # 特征（特征矩阵）
y = iris.target  # 标签（目标值）

# 拆分数据为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)  # 80% 训练，20% 测试

# 创建并训练随机森林分类器
model = RandomForestClassifier()  # 实例化一个随机森林分类器
model.fit(X_train, y_train)  # 用训练集拟合模型

# 预测测试集
y_pred = model.predict(X_test)  # 使用训练好的模型对测试集进行预测

# 评估模型
accuracy = accuracy_score(y_test, y_pred)  # 计算测试集预测的准确率
print(f"模型的准确率是：{accuracy:.2f}")  # 输出准确率

from sklearn.datasets import load_boston  # 导入波士顿房价数据集
from sklearn.model_selection import train_test_split  # 导入数据集拆分工具
from sklearn.linear_model import LinearRegression  # 导入线性回归模型
from sklearn.metrics import mean_squared_error  # 导入均方误差评估工具

# 加载数据集
boston = load_boston()  # 获取波士顿房价数据集
X = boston.data  # 特征矩阵
y = boston.target  # 目标值（房价）

# 拆分数据为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)  # 80% 训练，20% 测试

# 创建并训练线性回归模型
model = LinearRegression()  # 实例化线性回归模型
model.fit(X_train, y_train)  # 用训练集拟合模型

# 进行预测
y_pred = model.predict(X_test)  # 预测测试集的房价

# 评估模型
mse = mean_squared_error(y_test, y_pred)  # 计算均方误差
print(f"模型的均方误差为：{mse:.2f}")  # 输出均方误差

from sklearn.datasets import load_wine  # 导入葡萄酒数据集
from sklearn.cluster import KMeans  # 导入 KMeans 聚类算法
import matplotlib.pyplot as plt  # 导入绘图工具

# 加载数据集
wine = load_wine()  # 获取葡萄酒数据集
X = wine.data  # 特征矩阵

# 创建 KMeans 聚类模型
model = KMeans(n_clusters=3)  # 设定聚类数量为3
model.fit(X)  # 使用数据集拟合模型

# 预测聚类结果
y_kmeans = model.predict(X)  # 对数据进行聚类

# 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, cmap='viridis')  # 选择前两个特征进行可视化
plt.title("KMeans 聚类结果")  # 添加标题
plt.xlabel("特征 1")  # 添加X轴标签
plt.ylabel("特征 2")  # 添加Y轴标签
plt.show()  # 显示图形