需求：對糖尿病資料集進行迴歸分析，以便對未知資料進行預測。

資料集Diabetes：1.包含442個患者的10個生理特徵

　　　　　　　　2.10個特徵變數資料均已進行規範化

資料集描述：

# 載入資料集
diabetes = datasets.load_diabetes()
# 顯示其描述
print("【DESCR】\n", diabetes.DESCR)

完整程式碼：

from sklearn import datasets
from sklearn import linear_model
from sklearn.model_selection import train_test_split
 
# 引入均方誤差
from sklearn.metrics import mean_squared_error

# 載入糖尿病資料集
diabetes = datasets.load_diabetes()

# 得到糖尿病特徵向量集
data = diabetes.data
# 資料探索
print(data.shape)
# 檢視資料第0行資料
print(data[0])

# 訓練集 70%，測試集30%(diabetes.data是全資料集的特徵，diabetes.target是全資料集的標籤)
# random_state=14 控制每次隨機的結果都是一樣的，數字大小沒有規定，只有有個數就行
 

# 當然不同的數字隨機的結果是不一樣的
train_x, test_x, train_y, test_y = train_test_split(diabetes.data, diabetes.target, test_size=0.3, random_state=14)
print(len(train_x))

# 迴歸訓練及預測(線性迴歸模型)
clf = linear_model.LinearRegression()
# 擬合訓練集的特徵和標籤，來學習得到模型引數
clf.fit(train_x, train_y)
# 訓練出的線性模型的係數(每條資料有10個不同的特徵，但對應著同一個y值，所以有10個線性模型，即有10個係數)
 

print(clf.coef_)
# print(train_x.shape)
# print(clf.score(test_x, test_y))
# 計算預測結果
pred_y = clf.predict(test_x)
# 計算均方誤差(損失值)
print(mean_squared_error(test_y, pred_y))
# 通過決定係數來來判斷迴歸方程的擬合程度(分數越高說明擬合的程度越好)
r_sq = clf.score(train_x, train_y)  # 確定係數
print('r_sq:', r_sq)

執行結果：

今天陰天，同時伴隨著淅淅瀝瀝的小雨，喜歡下雨的聲音......