线性回归代码

2841097014

import numpy as np
1 Q$ Z2 G7 W8 W& ~% z: K7 i% g8 O  cfrom sklearn.linear_model import LinearRegression
+ @5 ^! f2 Q9 @, l. w% Timport matplotlib.pyplot as plt

# 生成一些示例数据
np.random.seed(0)
3 m4 R( n6 M+ \X = 2 * np.random.rand(100, 1)
. |5 }* s9 m% @5 Y8 [, t0 u; @  hy = 3 + 4 * X + np.random.randn(100, 1)

9 u* ^! W# e% [  w# 创建线性回归模型
model = LinearRegression()
* o( A; Q* c/ y, A3 o& w
9 t7 m* C+ M* s8 w0 u; F& S' S# 训练模型
model.fit(X, y)
; y/ l* T. [% o- x) o5 V) K
! h5 L; T( c: H% r, w# 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)
! c5 C4 D+ r1 Uprint("Predicted y:", predicted_y)
$ v5 j5 K+ h% \, e( h3 O
2 E# L: b4 v; x  ?$ v& I4 V& F$ s5 x( @# 绘制数据和拟合线
plt.scatter(X, y, color='blue')
1 Q0 q/ U- P$ G; S, |plt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
plt.ylabel('y')
& ~/ \8 L  O4 U& D& Wplt.title('Linear Regression')
6 P# N* [! ~/ \, L2 fplt.show()

. b: k# y! L) f% f0 L8 s
4 _! q# e5 Y7 ]# R8 {8 O6 f" b( D