前言：本教程主要使用了numpy的最最基本的功能，用于生成数据，matplotlib用于绘图，scikit-learn用于调用机器学习方法。如果你不熟悉他们（我也不熟悉）,没关系，看看numpy和matplotlib最简单的教程就够了。我们这个教程的程序不超过50行。
1. 数据准备
为了实验用，我自己写了一个二元函数，y=0.5*np.sin(x1) 0.5*np.cos(x2) 0.1*x1 3。
其中x1的取值范围是0~50，x2的取值范围是-10~10，x1和x2的训练集一共有500个，测试集有100个。其中，在训练集的上加了一个-0.5~0.5的噪声。生成函数的代码如下：
其中训练集（y上加有-0.5~0.5的随机噪声）和测试集（没有噪声）的图像如下：
2. scikit-learn最简单的介绍
scikit-learn非常简单，只需实例化一个算法对象，然后调用fit()函数就可以了，fit之后，就可以使用predict()函数来预测了，然后可以使用score(）函数来评估预测值和真实值的差异，函数返回一个得分。例如调用决策树的方法如下：
下来，我们可以根据预测值和真值来画出一个图像。画图的代码如下：
然后图像会显示如下：
3. 开始试验各种不同的回归方法
为了加快测试, 这里写了一个函数,函数接收不同的回归类的对象,然后它就会画出图像,并且给出得分. 函数基本如下:
3.1 常规回归方法
常规的回归方法有线性回归,决策树回归,SVM和k近邻(KNN)
3.1.1 线性回归
3.1.2数回归
然后决策树回归的图像就会显示出来:
3.1.3 SVM回归
结果图像如下:
3.1.4 KNN
竟然KNN这个计算效能最差的算法效果最好
3.2 集成方法(随机森林,adaboost, GBRT)
3.2.1随机森林
3.2.2 Adaboost
图像如下:
3.2.3 GBRT
4. scikit-learn还有很多其他的方法,可以参考用户手册自行试验.
5.完整代码
我这里在pycharm写的代码,但是在pycharm里面不显示图形,所以可以把代码复制到ipython中,使用%paste方法复制代码片. 然后参照上面的各个方法导入算法,使用try_different_mothod()函数画图. 完整代码如下:
