1、针对scikit-learn中的糖尿病数据集，利用Python实现基于统计机器学习的数据回归分析，并对数据以及结果进行分析及可视化； 2、针对scikit-learn中的乳腺癌数据集，利用Python实现基于统计机器学习的数据分类分析，并对数据以及结果进行分析及可视化。

1. 针对Scikit-Learn中的糖尿病数据集（Pima Indians Diabetes Dataset），你可以按照以下步骤进行基于统计机器学习的数据回归分析： - **数据加载**：首先导入所需的库，如`pandas`, `numpy`, 和 `sklearn`。然后加载数据集： ```python import pandas as pd from sklearn.datasets import load_diabetes diabetes = load_diabetes() df = pd.DataFrame(data=diabetes.data, columns=diabetes.feature_names) target = diabetes.target ``` - **数据预处理**：整理特征和目标变量，可能需要标准化或归一化数值型特征： ```python from sklearn.preprocessing import StandardScaler scaler = StandardScaler() df_scaled = scaler.fit_transform(df) ``` - **模型选择**：选择回归模型，比如线性回归或决策树回归： ```python from sklearn.linear_model import LinearRegression model = LinearRegression() model.fit(df_scaled, target) ``` - **预测与评估**：进行预测并计算模型性能指标（如R²分数）： ```python predictions = model.predict(df_scaled) r2_score = model.score(df_scaled, target) ``` - **分析与可视化**：可以用Matplotlib或Seaborn绘制残差图和特性重要性图： ```python import matplotlib.pyplot as plt feature_importances = pd.Series(model.coef_, index=df.columns) feature_importances.plot(kind='barh') plt.show() ``` 2. 对于乳腺癌数据集（Breast Cancer Wisconsin (Diagnostic) Data Set），可以进行类似流程但针对分类任务： - **数据加载与划分**： ```python from sklearn.datasets import load_breast_cancer X, y = load_breast_cancer(return_X_y=True) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) ``` - **模型选择**：选择分类模型，例如逻辑回归或支持向量机（SVM）： ```python from sklearn.svm import SVC classifier = SVC(kernel='linear', C=1) classifier.fit(X_train, y_train) ``` - **预测与评估**： ```python y_pred = classifier.predict(X_test) accuracy = accuracy_score(y_test, y_pred) ``` - **分析与可视化**： 可以绘制混淆矩阵和ROC曲线来了解分类效果： ```python from sklearn.metrics import confusion_matrix, plot_roc_curve cm = confusion_matrix(y_test, y_pred) plot_roc_curve(classifier, X_test, y_test) plt.show() ```