- 在线时间
- 0 小时
- 最后登录
- 2023-8-26
- 注册时间
- 2023-8-26
- 听众数
- 1
- 收听数
- 0
- 能力
- 0 分
- 体力
- 5 点
- 威望
- 0 点
- 阅读权限
- 10
- 积分
- 3
- 相册
- 0
- 日志
- 0
- 记录
- 1
- 帖子
- 3
- 主题
- 1
- 精华
- 0
- 分享
- 0
- 好友
- 0
升级 60% 该用户从未签到
|
import numpy as np& [5 Y8 |' s; F/ b7 t: q
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)& c, U1 \8 B5 s
X = 2 * np.random.rand(100, 1)
# x- m8 W- ~" z3 y* my = 3 + 4 * X + np.random.randn(100, 1)$ Z J! K# h O
* G& y1 S0 X1 A T# 创建线性回归模型
5 Q# j6 e5 C) a U) W! Lmodel = LinearRegression(); j1 U3 ?& _1 q9 _+ w! j
2 k2 I* k+ q, S. G4 p- ^
# 训练模型
- S/ b# n0 a8 @+ Xmodel.fit(X, y)1 l' @1 P5 l$ I7 m
/ L# G8 i3 P, l
# 打印模型的参数
3 C1 ?$ l+ Q% K1 u! z3 T9 n; b" @print("Intercept:", model.intercept_)( k9 s9 ?) M" H8 @7 b
print("Coefficient:", model.coef_[0])
+ B7 w# \$ Y5 ^2 M& X6 P, ?' b/ S. A8 }
# 预测新数据点: n: ^' b6 ~4 Z5 d4 g5 y
new_X = np.array([[1.5]]) # 输入一个新的 X 值进行预测0 J! d1 M# s3 s# X8 a& N
predicted_y = model.predict(new_X)7 M X( [* I" D9 l: [- u+ }" y
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')0 ?; w H: v7 m* }3 W4 @
plt.xlabel('X')/ `5 ~$ V* B1 r1 ]9 y* u
plt.ylabel('y')% A; |: ]4 }) A& M: S7 v
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 |
zan
|