python代码实现读取数据集，然后划分数据集，多用几个机器学习模型（K近邻算法，随机森林，线性回归等）训练数据，对比性能选择最好的模型预测数据

在Python中，我们可以使用一些常用的库如pandas来处理数据集，sklearn来进行数据划分、特征工程和模型训练。这里是一个简单的示例，展示了如何读取数据集，分割数据，以及用K近邻（KNN）、随机森林（Random Forest）和线性回归（Linear Regression）训练模型并评估性能：

# 导入所需库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, accuracy_score

# 1. 读取数据集（假设数据集名为'dataset.csv')
data = pd.read_csv('dataset.csv')

# 2. 数据预处理（例如：处理缺失值、编码分类变量等）
# ...

# 3. 划分数据集（通常采用70%训练，30%测试的比例）
X = data.drop('target_column', axis=1)  # 假设目标列是'target_column'
y = data['target_column']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 4. 训练模型
models = {
    'KNN': KNeighborsClassifier(),
    'Random Forest': RandomForestClassifier(),
    'Linear Regression': LinearRegression()
}

for model_name, model in models.items():
    # 训练
    model.fit(X_train, y_train)
    
    # 预测
    y_pred = model.predict(X_test)
    
    # 评估性能
    if model_name == 'Linear Regression':
        mse = mean_squared_error(y_test, y_pred)
        print(f"{model_name} - Mean Squared Error: {mse:.2f}")
    else:
        acc = accuracy_score(y_test, y_pred)
        print(f"{model_name} - Accuracy: {acc * 100:.2f}%")

# 根据评估结果，选择性能最好的模型（比如误差最小或准确率最高）