线性回归代码

2841097014

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

! S$ P' A7 y8 Z( T( `; Z: B# 生成一些示例数据
np.random.seed(0)
X = 2 * np.random.rand(100, 1)
y = 3 + 4 * X + np.random.randn(100, 1)

# 创建线性回归模型
model = LinearRegression()
6 f- i! E( P; I+ @
# 训练模型
model.fit(X, y)

# P$ M4 K6 G8 |+ e  o. V( d# 打印模型的参数
print("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])

# t) L; E) [# [. g# 预测新数据点
# j. F: Y( A* a6 \( }8 `) V, znew_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
( D5 X2 Q, H1 Q. r* ^! S. h8 Zpredicted_y = model.predict(new_X)
1 A9 a2 r9 }" q6 I/ G- @print("Predicted y:", predicted_y)

# 绘制数据和拟合线
% d$ x8 Q' V5 T) k# n3 Vplt.scatter(X, y, color='blue')
plt.plot(X, model.predict(X), color='red')
: C, a7 d5 J# H3 h0 D( Xplt.xlabel('X')
plt.ylabel('y')
4 @  e( v$ e; G+ x$ x3 v$ H0 eplt.title('Linear Regression')
plt.show()