我有一个作业，需要使用scikit、numpy和pylab来完成以下任务：

“所有以下操作都应使用提供的training_data.csv文件中的数据。training_data为您提供了一组标记的整数对，表示两个运动队的得分，标签给出了运动类型。

编写以下函数：

plot_scores() 应绘制数据的散点图。

predict(dataset) 应生成一个训练好的估计器，用于猜测给定得分所对应的运动（来自我们保留的数据集，将作为1000 x 2的np数组输入）。您可以使用scikit中的任何算法。

一个可选的附加函数名为“preprocess”，将在数据集传递给predict之前对其进行处理。”

这是我目前所做的：

import numpy as npimport scipy as spimport pylab as plfrom random import shuffledef plot_scores():    k=open('training_data.csv')    lst=[]    for triple in k:        temp=triple.split(',')        lst.append([int(temp[0]), int(temp[1]), int(temp[2][:1])])    array=np.array(lst)    pl.scatter(array[:,0], array[:,1])    pl.show()def preprocess(dataset):    k=open('training_data.csv')    lst=[]    for triple in k:        temp=triple.split(',')        lst.append([int(temp[0]), int(temp[1]), int(temp[2][:1])])    shuffle(lst)    return lst

在preprocess中，我对数据进行了洗牌，因为我需要用其中的一部分进行训练，另一部分进行测试，但原始数据完全不随机。我的问题是，如何在predict(dataset)中“生成训练好的估计器”？这是否应该是一个返回另一个函数的函数？对于看起来像这样的数据集，哪种算法最适合进行分类：

回答：

任务可能希望您训练一个标准的scikit分类器模型并返回它，即类似于

from sklearn.svm import SVCdef predict(dataset):    X = ... # 特征，从数据集中提取    y = ... # 标签，从数据集中提取    clf = SVC() # 创建分类器    clf.fit(X, y) # 训练    return clf

不过，从函数名称（predict）来看，您应该检查它是否真的希望您返回一个训练好的分类器，还是返回给定dataset参数的预测结果，因为后者更为常见。

作为分类器，您基本上可以使用任何您喜欢的。您的图表看起来数据集是线性可分的（没有为类别着色，但我假设那些团块是两个类别）。对于线性可分的数据，几乎没有什么会失败。尝试使用SVM、逻辑回归、随机森林、朴素贝叶斯等。为了增加乐趣，您可以尝试绘制决策边界，参见这里（其中还包含了可用分类器的概览）。