线性回归代码

2841097014

import numpy as np
from sklearn.linear_model import LinearRegression
* U! J! i  B' a- k2 a& p% L* y' ]import matplotlib.pyplot as plt
# W# M0 c; }1 f" y4 N1 b! }* j
& @0 b& {8 H% W% m- N& Z/ P0 b# 生成一些示例数据
) \/ y4 O2 Y' K! Lnp.random.seed(0)
X = 2 * np.random.rand(100, 1)
# x- m8 W- ~" z3 y* my = 3 + 4 * X + np.random.randn(100, 1)

* G& y1 S0 X1 A  T# 创建线性回归模型
5 Q# j6 e5 C) a  U) W! Lmodel = LinearRegression()

# 训练模型
- S/ b# n0 a8 @+ Xmodel.fit(X, y)

# 打印模型的参数
3 C1 ?$ l+ Q% K1 u! z3 T9 n; b" @print("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])
+ B7 w# \$ Y5 ^2 M& X
# 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)
1 h7 y' }+ [; @. n2 L4 Z
1 m! X8 H4 L8 g6 |' N# 绘制数据和拟合线
+ _: c. H: r* U8 mplt.scatter(X, y, color='blue')
; w3 U) C& Z8 K6 l3 D/ oplt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
plt.ylabel('y')
plt.title('Linear Regression')
# e+ j% Y9 q7 ]4 zplt.show()
* Y) a# {; G  y6 ]" }& A
. r, J6 v1 k* s6 {3 b' e, P, m' _1 Y
" a) n5 [. M. r* L2 u& S5 y