线性回归代码

2841097014

import numpy as np
0 y0 K& f0 K  w' }from sklearn.linear_model import LinearRegression
7 b2 h- y3 v4 m% Bimport matplotlib.pyplot as plt
+ f( u9 f" D$ t9 f. A9 z
' ]2 O5 i, {) s1 }1 j# 生成一些示例数据
9 N; ]  T* [% z) Q# V! z6 ~np.random.seed(0)
X = 2 * np.random.rand(100, 1)
" B2 l5 ~3 l9 H7 b4 xy = 3 + 4 * X + np.random.randn(100, 1)

# 创建线性回归模型
7 \! e$ u$ o- m. H0 w5 j6 G: hmodel = LinearRegression()

8 Q* y1 e4 z  C& R9 T3 K# 训练模型
8 B* `3 v/ z/ D$ F; ~model.fit(X, y)
! f  u2 h3 f4 H2 h  P0 I5 K! W
# 打印模型的参数
! A4 C* a- K: r4 v7 E# j5 Xprint("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])
5 _+ U; h8 V2 E: t8 b2 `! J' X1 X
: b8 w2 t5 R+ n1 r  Y# 预测新数据点
: o. b: Y- {2 ]+ o2 K+ Qnew_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
* a! o. }3 G! x3 u  u% O! [1 u8 lpredicted_y = model.predict(new_X)
! \/ G& f( e1 s; x2 P* Tprint("Predicted y:", predicted_y)

6 ^0 _% p' p/ j/ J* K# 绘制数据和拟合线
: j8 t, }) h5 M; wplt.scatter(X, y, color='blue')
) P* w9 h- f* [5 bplt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
3 ]7 q$ m8 T: N" @8 Tplt.ylabel('y')
plt.title('Linear Regression')
plt.show()
2 ]! I5 ~' t0 s0 G