用Python实现对Student Performance1.用过滤法对数据集做特征选择 2.找一个回归数据集，做一个多元回归模型用均方差、拟合优度等指标评价结果

在Python中，我们可以使用pandas库进行数据分析，sklearn库来进行特征选择和建模。以下是针对你的两个需求的简要步骤：

1. **特征选择（过滤法）**：
- 首先，导入所需库：`import pandas as pd`, `numpy as np`, `from sklearn.feature_selection import SelectKBest`, `from sklearn.feature_selection import chi2`（假设你使用的是卡方检验）。
- 加载数据集：`data = pd.read_csv('student_performance.csv')`
- 对于分类变量，可以计算它们与目标变量之间的统计关联，例如卡方值（chi2_test）：

     selector = SelectKBest(chi2, k=5)  # 假设你想保留前5个最好的特征
     X_selected = selector.fit_transform(data.drop('performance', axis=1), data['performance'])

- 现在，`X_selected`就是通过过滤法选出来的特征。

2. **多元线性回归及评估**：
- 导入回归模型和必要的评估工具：`from sklearn.linear_model import LinearRegression`, `from sklearn.metrics import mean_squared_error, r2_score`.
- 划分数据集为训练集和测试集：`X_train, X_test, y_train, y_test = train_test_split(X_selected, data['performance'], test_size=0.2, random_state=42)`
- 创建并训练模型：

     model = LinearRegression()
     model.fit(X_train, y_train)

- 预测并评估：

     y_pred = model.predict(X_test)
     mse = mean_squared_error(y_test, y_pred)
     r2 = r2_score(y_test, y_pred)
     print("Mean Squared Error:", mse)
     print("R-squared (R2):", r2)

- 这里我们使用了均方误差（MSE）来衡量预测值与真实值的差异，R-squared（R²）则是拟合优度的一种度量，值越接近1表示模型拟合越好。