训练/测试 概念
前面学了线性回归，多项式回归，知道给一堆单维度的数据，可以得到模型，并根据x得到y。
第二节学了多元回归，知道给多个维度的数据，去得到模型（距离只有线性），同时方便不同维度的数据比较，需要进行归一化。
本节来说两个常规概念，训练和测试。
以前面的例子，把x和y投入到线性回归对象==训练，给x通过模型得到y==测试。
什么是训练/测试
训练/测试是一种测量模型准确性的方法。
之所以称为训练/测试，是因为我们将数据集分为两组：训练集和测试集。
80％ 用于训练，20％ 用于测试。
您可以使用训练集来训练模型。
您可以使用测试集来测试模型。
训练模型意味着创建模型。
测试模型意味着测试模型的准确性。
x = numpy.random.normal(3, 1, 100)
y = numpy.random.normal(150, 40, 100) / x
这个不是刚才的numpy.linspace(1, 22, 100)，是 numpy.random.normal，是正泰分布。
x：是一个包含100个元素的数组，其中的每个元素是从均值为3、标准差为1的正态分布中随机生成的。这意味着x包含了100个从3附近随机采样的数值。y：是一个包含100个元素的数组，其中的每个元素是从均值为150、标准差为40的正态分布中随机生成的，然后再除以相应的x值。这样做的目的是为了创建一个具有一定相关性的数据集，其中 y 值随着 x 值的变化而变化。
如果只有一份数据，那就是80%去做训练，得到模型，拿20%去做测试，看看准确性。
train_x = x[:80]
train_y = y[:80]
test_x = x[80:]
test_y = y[80:]
实例
import numpy
import matplotlib.pyplot as plt
from sklearn.metrics import r2_score
numpy.random.seed(2)
x = numpy.random.normal(3, 1, 100)
y = numpy.random.normal(150, 40, 100) / x
train_x = x[:80]
train_y = y[:80]
# 多项式回归，根据训练数据进行多项式回归后得到模型
mymodel = numpy.poly1d(numpy.polyfit(train_x, train_y, 4))
# 画出原始数据
plt.scatter(train_x, train_y)
# 画出回归曲线
myline = numpy.linspace(0, 6, 100)
# plt.plot(myline, mymodel(myline))
# plt.show()
# 计算拟合度
r2 = r2_score(train_y, mymodel(train_x))
# 引入测试集，计算拟合度，如果和训练集的拟合度差不多，则说明测试集
test_x = x[80:]
test_y = y[80:]
r22 = r2_score(test_y, mymodel(test_x))
print(r2,r22)
# 预测，如果这里有过归一化，那这个5也要归一化后再输入模型
print(mymodel(5))
上面应该很好的解释了，
训练（拿训练数据放到回归计算中训练得到回归模型）
测试（拿测试数据放到模型中计算拟合度，看看测试数据是否差不多）
预测（单个数据放到模型，得一个结果）
