简单机器学习代码示例：线性回归模型

本示例展示了一个简单的线性回归模型，使用 Python 和 scikit-learn 库，从 CSV 文件加载数据，训练模型并进行预测。

# 导入必要的库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

# 加载数据集
data = pd.read_csv('dataset.csv')

# 划分特征和目标变量
X = data.drop('target', axis=1)
y = data['target']

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测结果
y_pred = model.predict(X_test)

# 评估模型
score = model.score(X_test, y_test)
print('模型得分：', score)

代码解释：

导入必要的库：pandas 用于数据处理，sklearn.model_selection 用于数据集划分，sklearn.linear_model 用于创建线性回归模型。
加载数据集：使用 pd.read_csv() 从 CSV 文件中读取数据。
划分特征和目标变量：将数据集分为特征变量 (X) 和目标变量 (y)。
分割数据集：使用 train_test_split() 将数据集划分为训练集和测试集。
创建模型：使用 LinearRegression() 创建线性回归模型。
训练模型：使用 model.fit() 使用训练数据训练模型。
预测结果：使用 model.predict() 对测试集进行预测。
评估模型：使用 model.score() 评估模型的准确性。

注意：

该示例假设您的数据集包含一个名为 'target' 的目标变量，以及其他特征变量。
您需要将 dataset.csv 替换为您的数据集文件名。
您可以根据您的具体需求更改和扩展代码。