线性回归代码

2841097014

import numpy as np
" j3 h; _9 B( {; f& @from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

/ t2 B6 x( l$ k' {- i) _: w# 生成一些示例数据
np.random.seed(0)
X = 2 * np.random.rand(100, 1)
9 F0 ?* A% o+ My = 3 + 4 * X + np.random.randn(100, 1)
* [# ]' O- @. e7 ?' A( J$ e9 ~
# 创建线性回归模型
model = LinearRegression()
9 d) X7 D: {" k
# 训练模型
' T$ I% h/ z$ i9 g& B2 Rmodel.fit(X, y)
% M7 m1 U1 d/ I4 w% c
3 z/ H' m9 x8 d1 |) y# 打印模型的参数
print("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])

3 g5 v1 ]+ |/ e% g# 预测新数据点
+ c5 S+ q6 g  g" ~new_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
predicted_y = model.predict(new_X)
+ l- G: f6 Z8 a" N, u/ {3 Kprint("Predicted y:", predicted_y)
- i5 `2 S: t) D% T+ v! m/ \9 o
# 绘制数据和拟合线
plt.scatter(X, y, color='blue')
8 ~& W: M9 Y( @( W! ~$ lplt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
plt.ylabel('y')
plt.title('Linear Regression')
  `0 m' b/ t1 R5 x$ \) hplt.show()

' U. A+ ^! U- ?' F1 s: ?' h