一般步骤
一、得到数据集并做预处理
1.分割数据集（train_test_split）
可以用train_test_split来处理得到的数据集，代码基本形式如下：
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X_original, Y_original, test_size=0.2)
2.数据集归一化
使用StandScaler进行归一化，归一化目的是为了让数据之间的差别不那么大。代码基本形式如下：
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit_transform(X_train)
scaler.transform(X_test)
二、选择机器学习中的算法，确定模型
首先，确定目的。目的是为了分类，还是为了回归。
之后，确定是多类别输出、多标签输出还是单一输出，如何确定可查看我另一篇文章：点击此处
然后，根据分类和回归来选择估计器estimator、得分指标（如MSE、ACCURACY）等。
算法很多，不同算法对应不同estimator。无脑一点，estimator可以随便选择，然后通过得分来选择适合的esitmator。
算法种类不再赘述。
三、训练模型并进行交叉验证（调超参、选estimator等）
有空更新（我的结果跑出来了哈哈哈）
四、验证曲线与学习曲线
五、训练数据集多次训练（epoch）
六、测试数据测试模型
七、预测新结果
说明：LZ每次都是程序在跑的时候更新文章，刚刚LZ的结果跑出来了，处理一下哈哈哈哈，后面几项慢慢更新，不慌。
来源：CSDN
作者：haha456487
链接：https://blog.csdn.net/haha456487/article/details/103990636