线性回归代码

2841097014

import numpy as np
from sklearn.linear_model import LinearRegression
" V! u% {( w3 `8 A% N+ t' v+ l- n! Nimport matplotlib.pyplot as plt

# 生成一些示例数据
$ W/ H7 n7 ]7 Z! A4 `  W. R% i) Tnp.random.seed(0)
6 w. \3 ?; s. A# K7 w- s" wX = 2 * np.random.rand(100, 1)
4 ~3 a$ S. r3 E- d% r! g5 Vy = 3 + 4 * X + np.random.randn(100, 1)

9 }% [: ?/ z9 I1 T* @# 创建线性回归模型
7 p. s% m. C; S- k) R5 x+ Umodel = LinearRegression()
3 ]1 }# f# X9 E, ~0 o8 {! P" r! q9 a
, v. f6 P8 R" j' R( {* z# 训练模型
( @7 d7 L0 U/ y7 g' [model.fit(X, y)
8 i; M- V# b& M
' A% G3 a7 k: d9 f5 S# 打印模型的参数
print("Intercept:", model.intercept_)
- ^0 t/ ]  v% Y( i* a1 ]print("Coefficient:", model.coef_[0])
5 _/ t% j' z$ R% r" S
0 j. H3 x- D% Q# l# 预测新数据点
- l  I1 P( B' I4 F( u6 X! Bnew_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)

, a& G' ?# v1 A/ q1 f* o# 绘制数据和拟合线
plt.scatter(X, y, color='blue')
plt.plot(X, model.predict(X), color='red')
& d8 R, n' X" J( u' g. _plt.xlabel('X')
plt.ylabel('y')
" W& Q/ [6 m3 J1 Rplt.title('Linear Regression')
! c% k5 O8 J) R% iplt.show()
4 z8 Q2 `! X! t$ o! i

4 u1 F+ A+ {$ f2 `5 [9 F0 a