线性回归代码

2841097014

import numpy as np
7 @4 W& t! z5 ]5 lfrom sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
( \) P( D( W' ]3 p* I, l/ f9 p
  r# M+ _& ]/ R" z1 a. x# 生成一些示例数据
np.random.seed(0)
5 e( q  W. P/ q# A8 P! r# n: gX = 2 * np.random.rand(100, 1)
y = 3 + 4 * X + np.random.randn(100, 1)

' w$ x9 p: n  T3 _8 {$ R# 创建线性回归模型
model = LinearRegression()
5 s/ f8 Z5 |8 W$ k
" u. @4 Y$ P9 f6 `9 w# 训练模型
model.fit(X, y)

# 打印模型的参数
print("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])

. N* S+ T) a& J& ]$ I# 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)
1 @% P0 s# ^+ ^print("Predicted y:", predicted_y)
8 u% Z* u) _/ N( d! z% x- O$ ~) n
# 绘制数据和拟合线
; ~9 m9 o; V  U, I% D9 R& P  ~plt.scatter(X, y, color='blue')
7 n& P8 l) i+ v  C; k3 @% Oplt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
' C) x. p4 \  o1 Z# Y0 S1 f6 z7 ?plt.ylabel('y')
$ U+ `# a8 ]$ e6 V' vplt.title('Linear Regression')
8 D1 l$ K. d: _. S/ [6 \9 u3 v+ \/ Eplt.show()

; Q; V6 v+ N0 |) t0 J; \: Z
0 |* [* Z1 k% Q: d3 Q