线性回归代码

2841097014

import numpy as np
' R3 _+ s0 e- Rfrom sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

* O& n7 v& R8 O- f$ v7 G- Q% O; ~# 生成一些示例数据
# W# j8 ^: B' j3 U% v3 vnp.random.seed(0)
X = 2 * np.random.rand(100, 1)
y = 3 + 4 * X + np.random.randn(100, 1)

0 C0 W: t; P4 ^2 K* M" Y# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X, y)
' f% \/ x( k- X. @3 P  s1 S
3 k$ b0 D; d: Q' D+ I, P# 打印模型的参数
; `8 u( f$ a- G/ v/ qprint("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])
. X. i7 \/ ~0 d, a0 e
1 {8 r, U$ [9 Q+ ]! y' k# 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)
print("Predicted y:", predicted_y)
3 e7 k; D. [6 z- ~0 e
7 v& J9 d0 }  B0 ^! A# 绘制数据和拟合线
plt.scatter(X, y, color='blue')
plt.plot(X, model.predict(X), color='red')
7 G" m0 M5 M# v! C! Y! Uplt.xlabel('X')
  t& v) Q- r: i4 Gplt.ylabel('y')
8 k! Q) D# |0 s- x8 T1 ?/ {$ u$ Fplt.title('Linear Regression')
1 B' h  D1 ?* Tplt.show()
- w% H5 M, X2 Z4 B# t! p5 j
3 e# {6 y8 ]0 z, d2 s& l
6 ?6 E( D9 }9 o# `4 G- T