线性回归代码

2841097014

import numpy as np
; |: L! I7 Y3 h, P$ f  K1 e' Mfrom sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
( v# C. e1 T  P& w, X; s
# 生成一些示例数据
np.random.seed(0)
  I- e% Q8 g( P% HX = 2 * np.random.rand(100, 1)
y = 3 + 4 * X + np.random.randn(100, 1)
9 K2 l3 J2 q) Z$ B" m  n# O" X
+ {1 }: L0 d6 g6 K8 b4 m* c# 创建线性回归模型
model = LinearRegression()
; q$ H9 ~! p, V5 c
! V* Y2 g$ M6 X% H8 x5 h% }2 X& w& `# 训练模型
model.fit(X, y)
. p: f: e9 U, K  z/ U, U
( [0 i6 O3 ^9 M& |# 打印模型的参数
print("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])

6 y  @' D4 [4 M' F: S# 预测新数据点
new_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
! f- G- s+ I0 tpredicted_y = model.predict(new_X)
print("Predicted y:", predicted_y)

# 绘制数据和拟合线
! O+ H: h) t* R: T: q9 r4 hplt.scatter(X, y, color='blue')
plt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
) z# k; g# u; p( X9 uplt.ylabel('y')
plt.title('Linear Regression')
2 {) x9 |; C9 H$ P3 B/ @7 K9 rplt.show()

" P+ b+ m: ?' r9 L, \