线性回归代码

2841097014

import numpy as np
7 u! c8 A6 A- P: A! p, R  c( _: ]* ~from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
4 y. [6 `8 ?0 y
# 生成一些示例数据
! Y, _% ?( a% m: ~, \: Pnp.random.seed(0)
0 }) D6 H$ a# b2 J$ B: i' P0 }% uX = 2 * np.random.rand(100, 1)
y = 3 + 4 * X + np.random.randn(100, 1)
7 H( J) h* q  T- o- m8 h
# 创建线性回归模型
0 I$ _: R1 a- }" J7 }model = LinearRegression()

- X+ d9 ^( a( m3 L7 \$ d$ L# 训练模型
2 v3 Z, `3 B) z0 U" C3 R: Hmodel.fit(X, y)

# 打印模型的参数
print("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])

# 预测新数据点
new_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
predicted_y = model.predict(new_X)
' z0 c: O8 q' Z6 E3 vprint("Predicted y:", predicted_y)
4 K4 n0 G& P4 x3 n$ X  b, }
# 绘制数据和拟合线
$ ^- e, l6 @: g& l# {' r9 r5 F% Gplt.scatter(X, y, color='blue')
) Z# b: r; ?- {; S7 G' iplt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
plt.ylabel('y')
+ H" f" i0 Z$ Q7 Dplt.title('Linear Regression')
plt.show()
+ z/ A. m1 v0 r5 A# y' o8 c) ~4 |

2 ]( S* O$ r9 \9 P) z1 C