如何使用下面的训练数据将新的数据集分类到A类和B类中？

            1.0  0.9  0.8  0.7  0.6  0.5  0.4  0.3  0.2  0.1  classDataset 1   42   13   22   324  270  96   107  93   80   228    ADataset 2   45   23   14   596  445  135  153  124  132  331    ADataset 3   42   22   16   479  407  130  150  121  128  342    ADataset 4   37   63   10   481  397  155  143  159  172  394    BDataset 5   46   18   10   387  356  127  118  129  136  359    BDataset 6   23   34   9    550  436  147  166  164  208  467    B

如果有一个可以区分数据集的方程，那就再理想不过了。

例如，如果1.0的数量加上0.9的数量超过55，那么它属于A类。（这可能不对，但类似这样的规则）

回答：

如果你熟悉分类任务，这种任务几乎可以用任何分类算法来完成，比如SVM、神经网络、C4.5、ID3、随机森林等。

但如果要建立模型，请看一下逻辑回归：https://en.wikipedia.org/wiki/Logistic_regression。它可以将数据集分类为两个类别（例如，正类和负类）。

关于实现，请参考Python的scikit-learn中的线性模型和逻辑回归：http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html 和这里：http://scikit-learn.org/stable/modules/linear_model.html#logistic-regression

X = [[...]] #你的数据集列表（矩阵）y = [...] #你的标签列表from sklearn.liner_mode import LogisticRegressionclf = LogisticRegresion()clf.fit(X,y)

这个例子也可能有帮助：http://scikit-learn.org/stable/auto_examples/linear_model/plot_iris_logistic.html