iris

早几天不论是函数，还是爬虫，都只是一个铺垫，对于一个文科生来讲，阅读并理解代码是有一定的困难的，随着早几天的看视频，现在也差不多能看出是几个意思了，，但昨天去写爬虫，错误一大堆，知道就是那么回事，但代码就是出错，我也没啥办法，现在的自己只想看到投入产出，如果没有的话，就果断放弃。欲速则不达，希望自己好好记住。今天学习些一点机器学习方面的代码，以前做了点铺垫，所以并不难。

第一句一定要写，不然图片出不来，-10到10之间100个等长的sin值

最后一行还是用print吧，，他只是为了使结果输出显现的更美观点，主要是我试了，搞不出来，智能用print

注意选值得方式，data_pandas[data_pandas['age']>30]   也行

这是查看当前计算机各个python模块的版本，记住这种匹配的方式。.format(),以后就都是这种，不要用%s%d那些。

有内置数据，导入相关模块，通过函数调用，刚看过的函数模块，应该对这种方式不会感受到陌生

也可以用iris_dataset.data[:5],来切片

大概意思就是因为好多原因，要将数据集分为两部分，一部分测试，一部分做模型用，有一个train_test_split()函数就是干这事的，测试的占总的0.25（这是一个首屈一指 的法则）。并且就像简单函数一样，维度少的做结果，维度多的做判断条件。

knn.fit(x,y)    调用  检测

X_new为一个数组  np.array([[   ,  ,]])

只要记住最后一个的表达的书写方式，前面的就算了

最后的核心代码就是上面的这点，不多，所有的机器学习的步骤差不多就是这样，还有一点参数from sklearn.model_selection import train_test_split 
如果报错的话，就用

from sklearn.cross_validation import train_test_split  这个可以

cross_validation.train_test_split(train_data,train_target,test_size=0.4, random_state=0)

test_size：样本占比，如果是整数的话就是样本的数量

random_state：是随机数的种子。

随机数种子：其实就是该组随机数的编号，在需要重复试验的时候，保证得到一组一样的随机数。比如你每次都填1，其他参数一样的情况下你得到的随机数组是一样的。但填0或不填，每次都会不一样。

随机数的产生取决于种子，随机数和种子之间的关系遵从以下两个规则：

种子不同，产生不同的随机数；种子相同，即使实例不同也产生相同的随机数

数据------模型训练------训练得分

在监督机器学习中一般分为分类和回归问题，上面的就是典型的分类预测