import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score from sklearn.linear_model import LinearRegression #1.加载数据 data = pd.read_csv(r"E:\winequality-red.csv") data = np.array(data) x = data[:,0:11] y = data[:,-1] #2.划分训练集和测试集 train_x,test_x,train_y,test_y=train_test_split(x,y,test_size=0.3) #3.构建分类模型 model = LinearRegression() #4.训练模型 model.fit(train_x,train_y) #5.预测 test_y_pre = model.predict(test_x) #6.评估模型 print(accuracy_score(test_y_pre,test_y))

这段代码是使用线性回归模型对红酒数据集进行预测，并使用准确率对模型进行评估的过程。具体步骤如下：

1.使用 Pandas 加载红酒数据集，并将数据集转换为 NumPy 数组。

2.使用 `train_test_split` 方法将数据集分为训练集和测试集，其中 `test_size=0.3` 表示将 30% 的数据用于测试。

3.使用 `LinearRegression` 构建线性回归模型。

4.使用训练集数据对模型进行训练，即调用 `fit` 方法。

5.使用测试集数据对模型进行预测，即调用 `predict` 方法。

6.使用 `accuracy_score` 方法计算模型的准确率，并输出评估结果。

需要注意的是，使用准确率对线性回归模型进行评估并不合适，因为线性回归模型是用于预测连续型变量的，而准确率是用于评估分类模型的。在这里，更合适的评估指标是均方误差（MSE）或 R2 分数。