为什么损失函数是除2len(y),我记得均方误差损失函数不是除以len(y)吗？

# 构造数据集

x = np.random.uniform(-3,3,size=100)

X = x.reshape((-1,1))

y = 0.5 * x**2 + x + 2 + np.random.normal(size=100)

# 使用Pipeline封装多个重复操作

pipeline = Pipeline([

   ("poly",PolynomialFeatures(degree=2)),  # 多项式回归操作

   ("std_scaler",StandardScaler()), # 特征标准化操作

   ("lin_reg",LinearRegression()) # 线性回归操作

])

pipeline.fit(X,y) # 分别经过管道的顺序操作

y_predict = pipeline.predict(X) # 预测

这里为什么使用多项式回归以后还要使用线性回归呢？

现在sklearn更新到1.7，要移除multi_class这个参数了，以后会一直是'multinomial'

 特征这么多不会出问题么，真的不会出问题么

这里用confusion_matrix混淆矩阵的目的是啥？

这个过拟合现象只是通过图像肉眼观看的么？是不是有什么方法或者函数具体点。

如果在此基础上标准化

std = StandardScaler()
X_train_standard = std.fit_transform(X_train)
X_test_standard = std.transform(X_test)

# 标准化以后再代入调好的超参数
best_knn2 = KNeighborsClassifier(weights="distance",n_neighbors=2,p=2)
best_knn2.fit(X_train_standard,y_train)

y_predict = best_knn2.predict(X_test_standard)
print(y_predict)

# 分类准确率
sum(y_test == y_predict) / len(y_test)
# 直接调用score方法，得出分类准确率
print(best_knn2.score(X_test_standard,y_test))

为什么标准化和不标准化的分类准确率不一样呢

老师 get_support()的作用是什么呢？

老师 特征的重要性feature_importances_与特征的相关系数corr()有什么区别和联系吗？

老师，拆分数据集里为什么没有test_size这个参数了

老师，波士顿数据集显示

ImportError: `load_boston` has been removed from scikit-learn since version 1.2. The Boston housing prices dataset has an ethical problem: as investigated in [1], the authors of this dataset engineered a

这个怎么办

老师，没有听懂x-train，x-test，y-train，y-test的作用和含义是什么意思，为什么要分成训练集和测试集

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.4,random_state=666；

老师这句代码里的random_state是什么意思

老师 特征标准化和特征归一化相同吗

老师 SVM是通过线性运算最后求得超平面，那么如何查看平面的系数呢？

model.coef_