步骤：
1. 导入库：
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
2. 准备数据：
# 读取数据集
data = pd.read_csv('your_dataset.csv')
# 分割特征和标签
X = data.drop('target_column', axis=1)
y = data['target_column']
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
3. 选择模型并训练：
# 选择线性回归模型
model = LinearRegression()
# 训练模型
model.fit(X_train, y_train)
4. 模型评估：
# 在测试集上进行预测
y_pred = model.predict(X_test)
# 计算均方误差（Mean Squared Error）
mse = mean_squared_error(y_test, y_pred)
print(f'Mean Squared Error: {mse}')
# 计算决定系数（R-squared）
r2 = r2_score(y_test, y_pred)
print(f'R-squared: {r2}')
- 均方误差（Mean Squared Error，MSE）： 衡量模型预测值与实际值之间的平方差的平均值，越小越好。
- 决定系数（R-squared）： 衡量模型对目标变量方差的解释程度，取值范围在0到1之间，越接近1表示模型拟合得越好。
5. 可视化结果（可选）：
import matplotlib.pyplot as plt
# 绘制真实值与预测值的散点图
plt.scatter(y_test, y_pred)
plt.xlabel("True Values")
plt.ylabel("Predictions")
plt.show()
这个示例使用了线性回归模型，但你可以根据任务的性质尝试其他回归模型，如岭回归、Lasso回归、决策树回归、随机森林回归等。在实际应用中，选择适当的模型和调整参数通常需要进行多次尝试和交叉验证。
转载请注明出处：http://www.pingtaimeng.com/article/detail/12009/AI人工智能