python 生成1000行，2列特征的数据集，在没有归一化（标准化）前拟合数据，查看回归模型，进行归一化（标准化）后再进行数据拟合，查看回归模型。

在Python中，我们可以使用`numpy`库生成随机数据，并利用`sklearn`库来进行数据处理和回归模型训练。这里是一个简单的示例：

首先，我们导入所需的库：

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler

然后生成1000行、2列的数据集：

# 数据维度
n_samples = 1000
n_features = 2

# 创建随机数据
data = np.random.rand(n_samples, n_features)
X = data[:, :1]  # 特征部分
y = data[:, 1]   # 目标变量部分

接着，我们先不进行归一化，直接拟合线性回归模型：

# 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, y, test_size=0.2, random_state=42)

# 创建并训练线性回归模型
model_unnormalized = LinearRegression()
model_unnormalized.fit(X_train, y_train)
print("未归一化模型的得分：", model_unnormalized.score(X_test, y_test))

现在，我们将数据归一化（标准化），再拟合模型并查看结果：

# 归一化数据
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 使用归一化的数据重新训练模型
model_normalized = LinearRegression()
model_normalized.fit(X_train_scaled, y_train)
print("归一化后模型的得分：", model_normalized.score(X_test_scaled, y_test))

在这个例子中，你可以看到两次模型得分的不同，通常标准化后的模型会有更好的泛化能力，因为它的输入值范围更小，有助于某些算法如线性回归更好地学习。