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

为了创建一个包含1000行2列特征的数据集，并进行无归一化和归一化后的数据拟合，我们可以使用Python的NumPy库来生成随机数据，然后利用scikit-learn库的LinearRegression模型进行拟合。以下是详细的步骤：

首先，导入所需的库：

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

**生成原始数据集（无归一化）**：

# 创建随机数据，假设特征1和特征2都是均匀分布的浮点数
n_samples = 1000
n_features = 2
np.random.seed(42)  # 设置随机种子以便复现结果
X = np.random.rand(n_samples, n_features)
y = np.random.rand(n_samples, 1)

# 创建一个线性回归模型
model = LinearRegression()

**拟合原始数据**：

# 拟合模型
model.fit(X, y)
print("原始数据拟合前的模型参数: ", model.coef_)

**数据归一化（标准化）**：

# 使用StandardScaler进行数据标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 拟合标准化后的数据
model.fit(X_scaled, y)

**比较拟合后的模型参数**：

print("数据归一化后模型参数: ", model.coef_)

在这个例子中，你可以观察到：

1. **无归一化**：如果没有对数据进行归一化，模型可能会受到数据范围的影响，即较大的特征值可能赋予更大的权重。
2. **归一化**：经过归一化后，所有的特征都在相似的范围内，使得每个特征的重要性相对更公平，有助于模型更好地捕捉它们之间的关系。