线性回归代码

2841097014

import numpy as np
from sklearn.linear_model import LinearRegression
/ Z  R2 m) f2 F2 G5 l7 `5 r: t# Kimport matplotlib.pyplot as plt
# g# N, v- }* K, T
# 生成一些示例数据
np.random.seed(0)
2 g& |* n. I& ?7 N. oX = 2 * np.random.rand(100, 1)
y = 3 + 4 * X + np.random.randn(100, 1)
- Q( Q! c3 u, D  K% P$ W7 [
# 创建线性回归模型
model = LinearRegression()
0 S- Y$ `0 s3 e) S% s
# 训练模型
model.fit(X, y)

( P4 v) L+ l& X' \1 p# I+ p# 打印模型的参数
print("Intercept:", model.intercept_)
  f, H' v- f# @1 e* Q6 I& kprint("Coefficient:", model.coef_[0])
) [9 V( s+ K! G5 L! @: B$ L; Q
# 预测新数据点
new_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
( C( A: s6 C3 ~predicted_y = model.predict(new_X)
print("Predicted y:", predicted_y)
$ j. F) a3 S/ c7 c. n; ^7 S
) F$ i% ^! c- q2 r+ Y* }) N( N" W+ ~9 L0 {# 绘制数据和拟合线
plt.scatter(X, y, color='blue')
; @! a7 U+ N5 y' qplt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
plt.ylabel('y')
5 S6 E) b5 J4 q  o# y+ r9 }! jplt.title('Linear Regression')
plt.show()

' q. z1 Z+ z1 ?
# i2 J8 ~6 H! |