> 　以下內容是我在學習https://blog.csdn.net/mingxiaod/article/details/85938251 教程時遇到不懂的問題自己查詢並理解的筆記，由於sklearn版本更迭改動了原作者的程式碼，如有理解偏差歡迎指正。

　1. np.linspace　　

　　　　np.linspace(1,10) 在numpy中生成一個等差數列，可以加三個引數，np.linspace（1，10，10）在是兩個引數時預設生成五十個數字的等差數列，第一第二哥數字分別代表數列的開頭和結尾，如果是三哥引數，第三個引數代表等差數列的長度，既可以生成一個長度為10數字開頭為1結尾為10的等差數列（1，2，3，4，5，6，7，8，9，10）

　　2. plt.subplot(nrows, ncols, index, **kwargs)

　　　　plt.subploy(2,3,5)這個程式碼的核心意思就是使用”整數來描述子圖的位置資訊“，顧名思義就是在一個畫布中畫多個圖片，第一個引數nrows代表你把畫布分為多少行，ncols代表你把畫布分為多少列，index就更好理解了，它的意思就是接下來要畫的圖的索引位置，比如（2，3，5）他代表的意思就是把一張空白的畫布分為兩行，三列。六個位置區域，第三個索引引數一般就是從左上角開始到右下角依次編號（如下圖），我查閱資料的時候有的博主強行機器翻譯官方文件，並註明第三個引數不能大於10,其實不然，官方的意思是index<= nrows*ncols，也就是索引數字不能大於已有的畫布分割數量。還有就是（2，3，5）與（235）效果等同，至於第三個引數**kwargs，作用是設定子圖型別，極點圖或線型圖。

 　　3.np.delete(x_data,abnormal_data,axis = 0)

　　　　第一個引數代表要處理的資料矩陣，第二個引數代表在什麼位置處理（一般為一維陣列），第三個引數 0 代表刪除所在列，1代表刪除所在行。

 1 from sklearn import preprocessing
 2 from sklearn.datasets import load_boston
 3 from sklearn.metrics import r2_score
 4 from sklearn.linear_model import LinearRegression
 5 from sklearn.model_selection import train_test_split
 6 import matplotlib.pyplot as plt
 7 import numpy as np
 8 
 9 #資料初始化
10 dataset = load_boston()
11 x_data,y_data=load_boston(return_X_y = True) #匯入資料，x_data為特徵變數、y_data為目標值
12 print("--------------'''獲取自變數資料的形狀'''--------------")
13 print(x_data.shape)
14 print(y_data.shape)
15 name_data = dataset.feature_names #匯入特證名
16 
17 #資料視覺化
18 for i in range(len(name_data)):
19     plt.scatter(x_data[:,i],y_data,s = 20,marker = '<',c = 'r')
20     plt.title(name_data[i])
21     plt.show()
22 #處理異常資料
23 abnormal_data = []
24 for i in range(len(y_data)):
25     if y_data[i] == 50:
26         abnormal_data.append(i)#儲存異常值的下標；
27 x_data = np.delete(x_data,abnormal_data,axis = 0)#刪除值為y值為50的特徵變數所在行
28 y_data = np.delete(y_data,abnormal_data,axis = 0)#刪除值為y值為50的特徵值所在行
29 print("------檢測-------")
30 print(x_data.shape)
31 print(y_data.shape)
32 
33 abnormal_title = []
34 for i in range(len(name_data)):
35     if name_data[i] == 'RM' or name_data[i] =='PTRATIO'or name_data[i] == 'LSTAT':
36         continue
37     else:
38         abnormal_title.append(i)#儲存不相關資料特證名下標
39 x_data = np.delete(x_data,abnormal_title,axis = 1)#刪除不相關資料所在列
40 print("--------------'''輸出有效資料形狀'''--------------")
41 print(x_data.shape)
42 print(y_data.shape)
43 
44 #資料分割
45 x_train,x_test = train_test_split(x_data,test_size=0.2,random_state=0)
46 y_train,y_test = train_test_split(y_data,test_size=0.2,random_state=0)
47 print("--------------'''輸出實驗資料長度'''--------------")
48 print(len(x_train))
49 print(len(x_test))
50 print(len(y_train))
51 print(len(y_test))
52 
53 #資料歸一化(無量綱化處理β=(x-min(x))/max(x)-min(x),將資料歸集到0~1之間)
54 min_max_scaler = preprocessing.MinMaxScaler()
55 x_test = min_max_scaler.fit_transform(x_test)
56 x_train = min_max_scaler.fit_transform(x_train)
57 y_train = min_max_scaler.fit_transform(y_train.reshape(-1,1))
58 y_test = min_max_scaler.fit_transform(y_test.reshape(-1,1))#轉化為一列行自動確認
59 #模型訓練和評估
60 lr = LinearRegression()
61 lr.fit(x_train,y_train)
62 lr_y_predict = lr.predict(x_test)
63 #使用r2_score預測樣本
64 score = r2_score(y_test, lr_y_predict)
65 print("樣本預測得分：{}".format(score))

輸出結果：

--------------'''獲取自變數資料的形狀'''--------------
(506, 13)
(506,)
------檢測-------
(490, 13)
(490,)
--------------'''輸出有效資料形狀'''--------------
(490, 3)
(490,)
--------------'''輸出實驗資料長度'''--------------
392
98
392
98
樣本預測得分：0.7091901425426

&n