线性回归代码

2841097014

import numpy as np
' z+ _1 T; v  U9 y: J. l4 J0 x5 Sfrom sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
( @% _5 o! g/ y. C! t
# 生成一些示例数据
4 Y' m! b. t  x# [* y5 Snp.random.seed(0)
X = 2 * np.random.rand(100, 1)
3 D" U  a" |2 F0 ?6 _y = 3 + 4 * X + np.random.randn(100, 1)

# 创建线性回归模型
* w3 r- n6 D8 r( t; H# Zmodel = LinearRegression()
9 u5 h/ V0 m( C& g
# 训练模型
model.fit(X, y)

# T- A" W" V) e* S# 打印模型的参数
print("Intercept:", model.intercept_)
. {$ c1 l. I# C$ eprint("Coefficient:", model.coef_[0])
, c4 H# z6 K: W6 @( w
' Y  p- `+ H3 E' @# 预测新数据点
% Z9 F$ L' K$ X( ^1 W4 ^/ A* fnew_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
$ H: H& o  y0 F5 }4 a0 F! Hpredicted_y = model.predict(new_X)
print("Predicted y:", predicted_y)
; R# l' q, t- k  J  R4 N% v, s% _1 ~
- [9 c6 H# @  {6 N7 k7 S2 e# 绘制数据和拟合线
plt.scatter(X, y, color='blue')
0 T5 M3 j" D9 ]2 \; r* l6 O9 Jplt.plot(X, model.predict(X), color='red')
* `  K- d' Y: K& a& E, @7 y7 w" Fplt.xlabel('X')
+ v  n! y- C9 A7 g) [$ f% f4 Aplt.ylabel('y')
- K' a  f* v6 _+ Qplt.title('Linear Regression')
plt.show()

+ t: y+ M9 H# [' J+ j
% S8 C& Y- p) v