摘要：关于简书 - 写文章 (jianshu.com)的代码理解
参考：
（1）《机器学习》周志华著，清华大学出版社
（2）《Hands-On Machine Learning with Scikit-Learn and TensorFlow》by Aurélien Géron
（3）《python机器学习》[美]塞巴斯蒂安·拉施卡(Sebastian Raschka) 著 高明 徐莹 陶虎成 译
（4）数据集的分割：https://developer.aliyun.com/article/672642
（5）数据归一化：https://blog.csdn.net/GentleCP/article/details/109333753
（6）模型评估r2_score：https://blog.csdn.net/qq_38890412/article/details/109565970
（7）LinearRegression解析：https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
（8）matplotlib rc配置：https://blog.csdn.net/weixin_39010770/article/details/88200298
（9）matplotlib.pyplot.plot详解：https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.plot.html#matplotlib.pyplot.plot
1.机器学习过程
(1)Look at the big picture
(2)Get the data
(3)Discover and visualize the data to gain insights
(4)Prepared data for Machine Learning algorithms
(5)Select a model and train it
(6)Fine-tune ur model
(7)Present ur solution
(8)Launch, monitor and maintain ur system
4.数据预处理
4.1什么是数据预处理
百度百科对数据预处理有如下定义（数据预处理_百度百科 (baidu.com)）：
数据预处理（data preprocessing）是指在主要的处理以前对数据进行的一些处理。如对大部分地球物理面积性观测数据在进行转换或增强处理之前，首先将不规则分布的测网经过插值转换为规则网的处理，以利于计算机的运算。另外，对于一些剖面测量数据，如地震资料预处理有垂直叠加、重排、加道头、编辑、重新取样、多路编辑等。
4.2为什么要进行数据预处理
为了尽可能的发挥机器学习算法的性能，往往对原始数据的格式等有一些特定的要求，但原始数据很少能达到此标准。因此，数据预处理是机器学习应用过程中必不可少的重要步骤之一。
某些属性间可能存在较高的关联，因此存在一定的数据冗余。在此情况下，使用数据降维技术将数据压缩到相对低纬度的子空间是非常有用的。数据降维不仅能够使得所需的存储空间更小，而且还能够使学习算法运行更快。
为了保证算法不仅在训练数据集上有效，同时还能很好的应用于新数据，也就是提高在绪论（二）中提到的“泛化”能力，我们通常会随机地将数据集划分为训练数据集和测试数据集。我们使用训练数据来训练及优化我们的机器学习模型，在完成后，使用测试数据集对最终的模型进行评估。
4.3数据预处理的方式
关于数据的预处理，大致有以下几种处理方式：
缺失数据处理、处理类别数据、将数据集划分为训练数据集和测试数据集、将特征的值缩放到相同的区间、选择有意义的特征、通过数据降维压缩数据……
之后会写专题专门讲解这一部分，这里我们对波士顿房价数据集做简单处理。
4.4代码实现
# 去除空值
data = data.dropna(how='any') # 该函数用法具体可以参考pandas.DataFrame.dropna — pandas 1.2.4 documentation
data
# 划分训练集与测试集
x = np.array(data.iloc[:, :-1])
y = np.array(data.iloc[:, -1:])
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=0)
关于训练集与测试集的划分，大致有三种方法：留出法，交叉验证法，自助法。使用from sklearn.model_selection import train_test_split, KFold可以利用python实现留出法和交叉验证法，关于自助法可以参考Bootstrapping算法（附python代码） - 知乎 (zhihu.com)，后续会专门写一篇来理解划分训练集与测试集的原理与代码实现。
# 归一化
min_max_scaler = preprocessing.MinMaxScaler(feature_range=(-1, 1))
x_train = min_max_scaler.fit_transform(x_train)
x_test = min_max_scaler.fit_transform(x_test)
y_train = min_max_scaler.fit_transform(y_train)
y_test = min_max_scaler.fit_transform(y_test)
将特征的值缩放到相同的区间有两种方式：归一化（normalization）与标准化（standardization）。
多数情况下，“归一化”指的是将特征的值缩放到区间[0, 1]，它是最小-最大缩放的一个特例；“标准化”指的是将特征列的均值设为0，方差为1，使得特征列的值呈标准正态分布。具体理解后续写出。
