线性回归代码

2841097014

import numpy as np
from sklearn.linear_model import LinearRegression
$ W3 g* e. Q" `5 y# Simport matplotlib.pyplot as plt
  R9 ^! i! \- U
* U" c5 g; ?! R9 ~# 生成一些示例数据
np.random.seed(0)
2 ?" K; X" N# g9 p0 {' ~5 MX = 2 * np.random.rand(100, 1)
' G/ T1 }! z' A  H# n1 m- i1 Py = 3 + 4 * X + np.random.randn(100, 1)

) h4 d. a" k9 ~8 b7 w2 Y  b# 创建线性回归模型
model = LinearRegression()
% k4 u1 q' _4 ~: R
- W1 Q; n$ K$ N9 u% a; K' ?# 训练模型
; D: A) h1 P' Cmodel.fit(X, y)

2 V  U2 Y/ C2 u2 D# U" t& V# Z# 打印模型的参数
. \% G% Y6 J; F1 I4 H9 I2 _print("Intercept:", model.intercept_)
0 ^2 R  O' r  A- c$ Pprint("Coefficient:", model.coef_[0])
0 Y+ u! {1 V/ [5 c: {: M4 {$ e2 c, N; K
1 g; s9 v* S/ [  z  h# 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)

# 绘制数据和拟合线
2 p; p# E5 L, m" lplt.scatter(X, y, color='blue')
9 Z. `7 i' Z, B* _8 S6 a) Uplt.plot(X, model.predict(X), color='red')
4 d/ G9 F" Y% j0 n) Xplt.xlabel('X')
4 Z/ }1 f$ U" g" k! h- Qplt.ylabel('y')
9 l2 ^+ o8 k+ l8 Z5 u. cplt.title('Linear Regression')
plt.show()

4 p" U! J( W/ m7 @7 J8 B6 t. O4 E
5 ^  H9 P% l. D) d# E