线性回归代码

2841097014

import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

/ n8 N/ ]9 U( b  G: B# 生成一些示例数据
+ B) X. }5 b3 w+ S+ `3 Wnp.random.seed(0)
X = 2 * np.random.rand(100, 1)
. N# F+ C) j$ H8 U: wy = 3 + 4 * X + np.random.randn(100, 1)
1 d3 B( P0 v+ B; `  s
# 创建线性回归模型
model = LinearRegression()
4 @# f/ t/ G2 A! L
# 训练模型
model.fit(X, y)

4 i7 [0 Q( j0 l% z# d& F7 l2 z: z4 e- R# 打印模型的参数
3 |9 j. o* z1 H% \! G. ~print("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])

" X( L- \, b% }* L. p# 预测新数据点
" j4 T4 L, u, Wnew_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
9 s; v7 r  e( Y5 ^9 Spredicted_y = model.predict(new_X)
print("Predicted y:", predicted_y)

# 绘制数据和拟合线
5 m) |! n& l/ n( S% nplt.scatter(X, y, color='blue')
0 A8 u% Y, a$ A. Cplt.plot(X, model.predict(X), color='red')
7 W2 L0 `# E  k) ?+ d0 n. eplt.xlabel('X')
; H0 g) Y# ?2 f, n4 `5 r3 E' \plt.ylabel('y')
$ i& O8 H+ B" ]( w7 Wplt.title('Linear Regression')
4 y5 R; J7 Z! t! a+ Oplt.show()


: u. _4 o$ v! _' |