Python基礎

from sklearn import datasets
from sklearn.model_selection import cross_val_predict
from sklearn import linear_model
import matplotlib.pyplot as plt

i= 1

print("\n", i,"========================")
 
j = 1 
print("    ",i,"_", j,"list-------------------")
#https://www.cnblogs.com/zibu1234/p/4210571.html
import numpy as num
array = num.arange(-100,100,0.1)
print(array)







j= j +1 
print("    ",i,"_", j,"-------------------")
j= j +1 
print("    ",i,"_", j,"-------------------")
j= j +1 
print("    ",i,"_", j,"-------------------")
j= j +1 
print("    ",i,"_", j,"-------------------")
j= j +1 
print("    ",i,"_", j,"-------------------")
j= j +1 
print("    ",i,"_", j,"-------------------")
j= j +1 
print("    ",i,"_", j,"-------------------")
j= j +1 



i= i +1
print("\n", i,"循環(huán)========================")

print("changdu:",len(array))
for i in array:
    print(i)




i= i +1 
print("\n", i,"plot========================")





lr = linear_model.LinearRegression()
boston = datasets.load_boston()
y = boston.target

print(boston.data[0])

print(len(boston.data[0]))
print(len(boston.data))

newdata = [
        [1,2,3],
        [1,2,3]
        ]


print(newdata[0])
print(len(newdata))



# cross_val_predict returns an array of the same size as `y` where each entry
# is a prediction obtained by cross validation:
predicted = cross_val_predict(lr, boston.data, y, cv=10)
#predicted = cross_val_predict(lr, newdata, y, cv=10)

print(predicted)


fig, ax = plt.subplots()
ax.scatter(y, predicted, edgecolors=(0, 0, 0))

ax.plot([y.min(), y.max()], [y.min(), y.max()], 'k--', lw=4)

ax.set_xlabel('Measured')
ax.set_ylabel('Predicted')
plt.show()



i= i +1 
print("\n", i,"========================")





i= i +1 
print("\n", i,"========================")




i= i +1 
print("\n", i,"========================")
最后編輯于 ：
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 人面猴
    序言：七十年代末椿争，一起剝皮案震驚了整個濱河市珊泳，隨后出現(xiàn)的幾起案子，更是在濱河造成了極大的恐慌秋秤，老刑警劉巖介衔，帶你破解...
    沈念sama閱讀 217,084評論 6贊 503
  • 死咒
    序言：濱河連續(xù)發(fā)生了三起死亡事件排苍，死亡現(xiàn)場離奇詭異遵湖，居然都是意外死亡，警方通過查閱死者的電腦和手機，發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,623評論 3贊 392
  • 救了他兩次的神仙讓他今天三更去死
    文/潘曉璐 我一進店門孽查，熙熙樓的掌柜王于貴愁眉苦臉地迎上來，“玉大人螟凭，你說我怎么就攤上這事沃于。” “怎么了绸栅？”我有些...
    開封第一講書人閱讀 163,450評論 0贊 353
  • 道士緝兇錄：失蹤的賣姜人
    文/不壞的土叔 我叫張陵级野，是天一觀的道長。 經(jīng)常有香客問我粹胯，道長蓖柔，這世上最難降的妖魔是什么？ 我笑而不...
    開封第一講書人閱讀 58,322評論 1贊 293
  • ?港島之戀（遺憾婚禮）
    正文 為了忘掉前任风纠，我火速辦了婚禮况鸣，結果婚禮上，老公的妹妹穿的比我還像新娘竹观。我一直安慰自己镐捧，他們只是感情好潜索，可當我...
    茶點故事閱讀 67,370評論 6贊 390
  • 惡毒庶女頂嫁案：這布局不是一般人想出來的
    文/花漫 我一把揭開白布。 她就那樣靜靜地躺著懂酱，像睡著了一般竹习。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上玩焰，一...
    開封第一講書人閱讀 51,274評論 1贊 300
  • 城市分裂傳說
    那天由驹，我揣著相機與錄音，去河邊找鬼昔园。 笑死蔓榄，一個胖子當著我的面吹牛，可吹牛的內容都是我干的默刚。 我是一名探鬼主播甥郑，決...
    沈念sama閱讀 40,126評論 3贊 418
  • 雙鴛鴦連環(huán)套：你想象不到人心有多黑
    文/蒼蘭香墨 我猛地睜開眼，長吁一口氣：“原來是場噩夢啊……” “哼荤西！你這毒婦竟也來了澜搅？” 一聲冷哼從身側響起，我...
    開封第一講書人閱讀 38,980評論 0贊 275
  • 萬榮殺人案實錄
    序言：老撾萬榮一對情侶失蹤邪锌，失蹤者是張志新（化名）和其女友劉穎勉躺，沒想到半個月后，有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體觅丰，經(jīng)...
    沈念sama閱讀 45,414評論 1贊 313
  • ?護林員之死
    正文 獨居荒郊野嶺守林人離奇死亡饵溅，尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 37,599評論 3贊 334
  • ?白月光啟示錄
    正文 我和宋清朗相戀三年，在試婚紗的時候發(fā)現(xiàn)自己被綠了妇萄。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片蜕企。...
    茶點故事閱讀 39,773評論 1贊 348
  • 活死人
    序言：一個原本活蹦亂跳的男人離奇死亡，死狀恐怖冠句，靈堂內的尸體忽然破棺而出轻掩，到底是詐尸還是另有隱情，我是刑警寧澤懦底，帶...
    沈念sama閱讀 35,470評論 5贊 344
  • ?日本核電站爆炸內幕
    正文 年R本政府宣布唇牧，位于F島的核電站，受9級特大地震影響聚唐，放射性物質發(fā)生泄漏丐重。R本人自食惡果不足惜，卻給世界環(huán)境...
    茶點故事閱讀 41,080評論 3贊 327
  • 男人毒藥：我在死后第九天來索命
    文/蒙蒙 一拱层、第九天 我趴在偏房一處隱蔽的房頂上張望弥臼。 院中可真熱鬧宴咧，春花似錦根灯、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,713評論 0贊 22
  • 一樁弒父案烙肺，背后竟有這般陰謀
    文/蒼蘭香墨 我抬頭看了看天上的太陽纳猪。三九已至，卻和暖如春桃笙，著一層夾襖步出監(jiān)牢的瞬間氏堤，已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 32,852評論 1贊 269
  • 情欲美人皮
    我被黑心中介騙來泰國打工搏明， 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留鼠锈，地道東北人。 一個月前我還...
    沈念sama閱讀 47,865評論 2贊 370
  • 代替公主和親
    正文 我出身青樓星著，卻偏偏與公主長得像购笆，于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子同欠，可洞房花燭夜當晚...
    茶點故事閱讀 44,689評論 2贊 354

推薦閱讀更多精彩內容