线性回归代码

2841097014

import numpy as np
9 m6 g) ^! V7 A' B% u9 H6 Nfrom sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

# 生成一些示例数据
$ v+ X6 e0 l6 ?np.random.seed(0)
5 `1 b9 Z% l$ P' C$ ?, Y7 W4 i( F- KX = 2 * np.random.rand(100, 1)
y = 3 + 4 * X + np.random.randn(100, 1)
+ ~- h/ j( R9 J* p( a! J0 ]
) A/ E0 [7 O5 }) A( g+ s  T# z# 创建线性回归模型
7 L0 P8 ]3 W$ q/ [( u# k, }" g  ]model = LinearRegression()
3 c3 s7 ]+ I5 Z
# 训练模型
model.fit(X, y)
" W1 T% m% g- [+ K
: ?8 ^/ I  Y, o4 x8 D1 y# 打印模型的参数
print("Intercept:", model.intercept_)
$ M. r- n- n4 S, bprint("Coefficient:", model.coef_[0])

+ X5 I* K, t( m; U) t4 X) p2 Z# 预测新数据点
$ O6 `' @$ \$ e$ d7 e3 `  H$ ^$ _new_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
predicted_y = model.predict(new_X)
0 b/ Z% E% A' I5 q& _! dprint("Predicted y:", predicted_y)
4 |' s1 F- H- q0 ?/ X/ v. w$ B% p/ K
# 绘制数据和拟合线
# T! c% ]: n3 T  \1 v1 h5 Z3 Nplt.scatter(X, y, color='blue')
9 c' z. E& v# p- M1 fplt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
plt.ylabel('y')
plt.title('Linear Regression')
" A/ U3 f8 S/ H$ R& Vplt.show()

. `+ V; K4 |9 k7 Q