波动学习曲线（Fluctuation Learning Curve）是一种用于评估模型在不同训练样本数量下性能变化的方法。它可以帮助我们了解随着训练样本数量的增加，模型的学习能力如何改善或者达到饱和的程度。

下面是一个示例代码，演示了如何使用波动学习曲线来评估模型的学习能力：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import learning_curve
from sklearn.linear_model import LogisticRegression

def plot_learning_curve(estimator, X, y, cv=None, train_sizes=np.linspace(0.1, 1.0, 10)):
    train_sizes, train_scores, test_scores = learning_curve(
        estimator, X, y, cv=cv, train_sizes=train_sizes, scoring='accuracy')
    
    # 计算平均分数和标准差
    train_scores_mean = np.mean(train_scores, axis=1)
    train_scores_std = np.std(train_scores, axis=1)
    test_scores_mean = np.mean(test_scores, axis=1)
    test_scores_std = np.std(test_scores, axis=1)

    # 绘制学习曲线
    plt.figure()
    plt.title("Learning Curve")
    plt.xlabel("Training examples")
    plt.ylabel("Score")
    plt.grid()

    plt.fill_between(train_sizes, train_scores_mean - train_scores_std,
                     train_scores_mean + train_scores_std, alpha=0.1,
                     color="r")
    plt.fill_between(train_sizes, test_scores_mean - test_scores_std,
                     test_scores_mean + test_scores_std, alpha=0.1, color="g")
    plt.plot(train_sizes, train_scores_mean, 'o-', color="r",
             label="Training score")
    plt.plot(train_sizes, test_scores_mean, 'o-', color="g",
             label="Cross-validation score")

    plt.legend(loc="best")
    return plt


# 创建一个逻辑回归模型
estimator = LogisticRegression()

# 加载数据
X, y = load_data()

# 绘制学习曲线
plot_learning_curve(estimator, X, y, cv=5)

# 展示图像
plt.show()

在上面的代码中，plot_learning_curve函数接受一个估计器（estimator）作为参数，以及数据集X和y。它使用learning_curve函数计算不同训练样本数量下的训练分数和交叉验证分数，并计算平均分数和标准差。最后，它使用matplotlib.pyplot库绘制学习曲线。

你可以根据自己的需求修改这个示例代码，例如选择不同的模型、调整训练样本数量的范围等。希望对你有所帮助！