线性回归代码

2841097014

import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

1 f3 A3 x' X/ Z$ q# 生成一些示例数据
0 v, U) N, X7 C; j9 [np.random.seed(0)
- H* ]) P: \: [+ ]: dX = 2 * np.random.rand(100, 1)
y = 3 + 4 * X + np.random.randn(100, 1)

3 Y8 t  U" {: b8 K% [# 创建线性回归模型
model = LinearRegression()
) i$ _( E" K( J. l
- M/ g3 p  N4 z# 训练模型
+ p" Z1 V5 w2 q6 Q; I5 qmodel.fit(X, y)

# 打印模型的参数
5 }8 g3 R3 z  S9 }6 x7 Hprint("Intercept:", model.intercept_)
8 N6 j5 Z; N  a8 L( g) l0 S3 Iprint("Coefficient:", model.coef_[0])
& F- p" p9 i2 x
# 预测新数据点
% I: l- O  j" |new_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
predicted_y = model.predict(new_X)
: u) `* n8 [, d/ V" z( dprint("Predicted y:", predicted_y)
) p! b6 Z# l/ M8 w& o
# 绘制数据和拟合线
plt.scatter(X, y, color='blue')
" V, b7 e1 ]  bplt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
plt.ylabel('y')
4 E( B. Z( X! p% e# N6 j: yplt.title('Linear Regression')
0 q. s7 j/ i' M' R$ Rplt.show()


6 R; l3 Q1 u, N- d- m