使用sklearn训练并运行一个线性模型

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import sklearn
import sklearn.linear_model

def prepare_country_stats(oecd_bli, gdp_per_capita):
    oecd_bli = oecd_bli[oecd_bli["INEQUALITY"]=="TOT"]
    oecd_bli = oecd_bli.pivot(index="Country", columns="Indicator", values="Value")
    gdp_per_capita.rename(columns={"2015": "GDP per capita"}, inplace=True)
    gdp_per_capita.set_index("Country", inplace=True)
    full_country_stats = pd.merge(left=oecd_bli, right=gdp_per_capita,
                                  left_index=True, right_index=True)
    full_country_stats.sort_values(by="GDP per capita", inplace=True)
    remove_indices = [0, 1, 6, 8, 33, 34, 35]
    keep_indices = list(set(range(36)) - set(remove_indices))
    return full_country_stats[["GDP per capita", 'Life satisfaction']].iloc[keep_indices]

#下载数据
oecd_bli = pd.read_csv('https://raw.githubusercontent.com/ageron/handson-ml/master/datasets/lifesat/oecd_bli_2015.csv', thousands = ',')
gdp_per_capita = pd.read_csv('https://raw.githubusercontent.com/ageron/handson-ml/master/datasets/lifesat/gdp_per_capita.csv', thousands = ',', delimiter = '\t', encoding = 'latin1', na_values = 'n/a')

#准备数据
country_stats = prepare_country_stats(oecd_bli, gdp_per_capita)
x = np.c_[country_stats['GDP per capita']]
y = np.c_[country_stats['Life satisfaction']]

#虚拟化数据
country_stats.plot(kind='scatter', x = 'GDP per capita', y = 'Life satisfaction')
plt.show()

#选择线性模型
lin_reg_model = sklearn.linear_model.LinearRegression()

#训练模型
lin_reg_model.fit(x, y)

#做预测
X_new = [[22587]]
print(lin_reg_model.predict(X_new))

运行结果：
使用linear_model训练得到的可视化散点图：

使用KNeighborsRegressor训练得到的可视化散点图：

至于代码是什么意思，我大体还是理解的，但是这个KNeighborsRegressor和linear_model都是sklearn提供的，也就是说机器学习的算法部分以上代码是直接调用了库。因此，这样的程序并没有设及到很多高深的难懂的算法设计。