线性回归代码

2841097014

import numpy as np
' m2 G: p$ X, P% ?from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
" @- x5 \9 U. g, M' c+ C' D% u2 g3 U
. P$ S- W- i7 U; s# 生成一些示例数据
, k# y% a9 C9 L7 d1 [6 Wnp.random.seed(0)
X = 2 * np.random.rand(100, 1)
y = 3 + 4 * X + np.random.randn(100, 1)
; u. G  f9 s) c3 V2 p/ K
- G6 T/ [# S, b3 x; Z# 创建线性回归模型
model = LinearRegression()
' |) O6 s% S0 |6 m( Q
# 训练模型
model.fit(X, y)
- R7 v" J+ V& M8 l
) i) q) @, e- G# 打印模型的参数
print("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])

# 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)

/ p# |! n. G& n( `5 R9 _+ S; [6 R# 绘制数据和拟合线
  ]& s/ z  ^5 M" K+ e& Q+ Qplt.scatter(X, y, color='blue')
/ o9 J4 C$ a+ U& M; T# x. ~plt.plot(X, model.predict(X), color='red')
! L) F; N  e; `9 w6 bplt.xlabel('X')
" ?0 c  y) O# |) g; I8 kplt.ylabel('y')
0 n5 i& K, }4 ~- r8 bplt.title('Linear Regression')
7 Z4 h! f1 _  q, o& T4 V; Jplt.show()
! y2 H. w8 R( i# y3 d
4 u5 g8 j# H4 W! m
# P0 u5 F' _) \