主要通过Demo介绍scikit-learn中model的简单使用，包括模型的一些参数，sklearn把几乎所有机器学习的模式整合统一起来了，学会一个模型就可以通吃其他不同类型的学习模式
使用模型的一般步骤：
- 导入模块
- 创建数据
- 建立模型-训练-预测
Demo.py
from sklearn import datasets
from sklearn.linear_model import LinearRegression
# 直接加载数据集
loaded_data = datasets.load_boston()
data_X = loaded_data.data
data_y = loaded_data.target
# 定义模型model
model = LinearRegression()
# 学习参数
model.fit(data_X, data_y)
# 输出权重weight
print (model.coef_)
# 输出偏置bias
print (model.intercept_)
# 输出model定义时的参数, 没有给定则返回默认参数
print (model.get_params())
# 评估学习到的模型
# 通过coefficient of determination(决定系数),来判断回归方程拟合的程度.
print (model.score(data_X, data_y))
结果：
[ -1.07170557e-01 4.63952195e-02 2.08602395e-02 2.68856140e+00
-1.77957587e+01 3.80475246e+00 7.51061703e-04 -1.47575880e+00
3.05655038e-01 -1.23293463e-02 -9.53463555e-01 9.39251272e-03
-5.25466633e-01]
36.4911032804
{'n_jobs': 1, 'copy_X': True, 'normalize': False, 'fit_intercept': True}
0.740607742865
