线性回归代码

2841097014

import numpy as np
from sklearn.linear_model import LinearRegression
* _. d4 B- Z/ ]2 ~9 bimport matplotlib.pyplot as plt

) {3 @: s8 s9 O7 u+ ^# 生成一些示例数据
np.random.seed(0)
X = 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()
& M$ Y& d( j8 ^' m# j2 D
5 {" ^1 L, X$ Q, z% A* [3 x# 训练模型
$ ]- I" \8 k. K8 z1 \, j' h; jmodel.fit(X, y)
( ^! b; D6 E5 C# m% J, ?6 m( J
- [7 b1 D' ^* z7 B8 Z  a" Q# 打印模型的参数
print("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])

: G0 {, s5 d) u/ p# 预测新数据点
new_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
  x0 D/ |! w  k/ k4 Kpredicted_y = model.predict(new_X)
0 ^1 Y) k! i2 [2 `, uprint("Predicted y:", predicted_y)

: o- e3 _' X# ?4 i# 绘制数据和拟合线
plt.scatter(X, y, color='blue')
# E  ]* X- g% n6 a% ?: c. splt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
plt.ylabel('y')
plt.title('Linear Regression')
plt.show()

! Y0 l4 _# v! R/ Y+ S0 ]' `! M
% w" e$ @& Y  Z2 Y8 e