线性回归代码

2841097014

import numpy as np
9 z, M* \7 E; N: C+ v, [from sklearn.linear_model import LinearRegression
- Q- m/ A' B# i+ h$ q- |( d/ f7 pimport matplotlib.pyplot as plt

0 C8 |+ _) w" p3 _+ l# 生成一些示例数据
# P' U" B* y- L2 Z# n* F$ fnp.random.seed(0)
8 J& {; Z  W" A- ]' T6 {: fX = 2 * np.random.rand(100, 1)
y = 3 + 4 * X + np.random.randn(100, 1)

# 创建线性回归模型
model = LinearRegression()
- c/ @! h5 M* Y1 e) N0 U; _% h
# 训练模型
model.fit(X, y)

; `9 n) @/ ~: i5 `9 Q# 打印模型的参数
7 ^0 ]2 K5 I4 h: X( \print("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])
+ ^* |2 _: `) w0 e* M5 e
3 {! F6 U3 j! O# v4 @# 预测新数据点
) {# t5 _- h0 }7 F4 j7 Snew_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
6 t& t1 s) m% \6 X' q( T; ^predicted_y = model.predict(new_X)
% ^& N1 ^5 Y( T1 \print("Predicted y:", predicted_y)

# 绘制数据和拟合线
plt.scatter(X, y, color='blue')
plt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
/ P! p9 c2 S/ c) J$ ?$ oplt.ylabel('y')
' R# ^, O0 F. ^$ ]  r! ?& splt.title('Linear Regression')
plt.show()
5 R' j7 A3 H2 y# B' Z; C! a