#在Python中一维数组不分行列，对于下面的y只能说是带了80个数据的对象y.shape
plt.figure()#将我们的x,y的数据传入，s是散点图中点的大小，设置边框的颜色是黑色（edgecolor="black"），设置点的颜色是暗橙色的（c="darkorange"），标签是data，也就是纵坐标轴的名字plt.scatter(X, y, s=20, edgecolor="black",c="darkorange", label="data")
#给我们的y数据加上噪声#为什么要加上噪声？#因为我们现实中真实的数据不可能都是符合我们上面的这么完全的sin函数的图像的，必然存在一些不符合情况的数据#加上噪声的方法就是给其中的某一些数据加上或者减去一些数据，从而让部分数据偏离原来的sin函数的位置#对y进行切片，按照步长5进行切片，每5个取一个数据，也就是取出来16个，每个数据都是间隔为5的#我们让这些数据随机加上rng.rand(16)，也就是十六个取出来的数据加上十六个对应位置的随机数#为什么要用0.5去减去我们的随机数呢，因为我们的rand的取值是[0,1)数据，中值是0.5#使用0.5减去之后就让有的数据是负，有的数据是正，这样的取值范围就变成了[-0.5,0.5)#因为这个数很小，所以我们将这个数乘上3，将其变大一点y[::5] += 3 * (0.5 - rng.rand(16))y#np.random.rand(数组结构)，生成随机数组的函数
plt.figure()plt.scatter(X, y, s=20, edgecolor="black",c="darkorange", label="data")
【【机器学习笔记】【决策树】【回归树】】了解ravel降维的用法
#了解降维函数ravel()的用法#ravel()将n维的数据降成n-1维，多次运行的话可以一直降到一维为止np.random.random((2,1))
np.random.random((2,1)).shape
np.random.random((2,1)).ravel()
np.random.random((2,1)).ravel().shape
3.创建回归模型
#这里我们建了两个不同的模型 。因为我们想查看在不同的拟合效果下，回归树是怎么表现的#最大深度小的话会限制模型对于训练集的拟合，剪枝越严重，可以防止过拟合regr_1 = DecisionTreeRegressor(max_depth=2)regr_2 = DecisionTreeRegressor(max_depth=5)regr_1.fit(X, y)regr_2.fit(X, y)
4.导入测试集
#导入测试集#np.arange是生成有序的数列，第一个点是起始点，第二个点是结束点，第三个点是步长，#np.arange(0.0, 5.0, 0.01)，也就是从0.0开始每加上0.01取一个数据，一直到4.99为止#相当于是x轴上的无数个点#为了将测试集放入我们的回归树中，我们的数据至少是二维的，所以我们需要对我们arange生成的一维的数据进行增维#当然.reshape(-1,1)也可以增维#但是我们也可以使用下面的[:, np.newaxis]#np.newaxis就是用于升维的，如果是[:, np.newaxis]，对于一维的数据，就会生成n行1列的二维数据集#如果是[ np.newaxis,:]就会生成1行n列的数据X_test = np.arange(0.0, 5.0, 0.01)[:, np.newaxis]X_test
X_test.shape
5.预测测试集的数据
#将测试集导入我们的模型中进行使用，这里我们用到了回归树的接口predict#predict也就是输入测试集之后，得到每个测试样本点的回归（或者分类的结果）#也就是输入x，他给你预测y#因为这里我们有两个模型所以需要做两次y_1 = regr_1.predict(X_test)y_2 = regr_2.predict(X_test)