线性回归代码

2841097014

import numpy as np
6 r0 G3 f9 ~# G. J' L' J; t+ z1 a9 Cfrom sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
4 b/ j. Z3 g$ A. }' m/ Y. U. s
# 生成一些示例数据
np.random.seed(0)
* H; @/ @5 l( @  ~6 JX = 2 * np.random.rand(100, 1)
y = 3 + 4 * X + np.random.randn(100, 1)

# 创建线性回归模型
: M# J7 E4 ]8 I9 m; I( k$ jmodel = LinearRegression()

2 P, q7 [2 d0 R" a# 训练模型
# |5 ?* \) K+ k3 Emodel.fit(X, y)
: K! B5 V# D8 e6 }4 S% E3 S% T
* E. k7 k) P/ ]+ q+ a8 u2 x# 打印模型的参数
0 [2 A- B1 [6 k0 Hprint("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])

# 预测新数据点
5 L$ f$ F1 l, ?4 o2 L% Wnew_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)

* g, t0 w" }1 n* K: b; H# 绘制数据和拟合线
9 r* `; {0 f$ Gplt.scatter(X, y, color='blue')
( l0 G2 G0 ]' W7 O; K( ]3 Xplt.plot(X, model.predict(X), color='red')
4 Z  q" |  N9 {' yplt.xlabel('X')
: P4 u% h# o& o' ^* r! D! iplt.ylabel('y')
/ n4 q8 f! U$ k+ d5 J% Q- gplt.title('Linear Regression')
plt.show()
% ~8 ]4 a5 B9 ^4 i- W: C2 o
& }7 |" x. b3 R4 ~* o! G( A