线性回归代码

2841097014

import numpy as np
: @0 `) k- D. \! @& k: efrom sklearn.linear_model import LinearRegression
/ \( ^& L# I7 z% t, Oimport matplotlib.pyplot as plt
) F" N# \: g0 b
2 ^. f$ R3 L- n$ G% c# 生成一些示例数据
np.random.seed(0)
- o- W/ [6 }, l' y7 A0 B0 MX = 2 * np.random.rand(100, 1)
; n5 B/ C! H4 j5 Sy = 3 + 4 * X + np.random.randn(100, 1)

# 创建线性回归模型
% E  Y# K" E# z- I$ ?& Tmodel = LinearRegression()

# 训练模型
% y+ w8 x) F: a( q) S: c+ Vmodel.fit(X, y)

# 打印模型的参数
print("Intercept:", model.intercept_)
' m1 u% `3 R6 }6 O. m( O" Nprint("Coefficient:", model.coef_[0])

( Z0 X* y- \* _# c+ S# 预测新数据点
) P" y$ ]* D0 N, dnew_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
predicted_y = model.predict(new_X)
6 H5 `5 l" @0 F; I8 L' c$ zprint("Predicted y:", predicted_y)
. T( a* m$ L2 [
5 D8 r- l+ c* ^  Y* x1 V6 p0 d# 绘制数据和拟合线
4 I) F+ g" X4 _1 J. F) f/ M4 N3 p% Hplt.scatter(X, y, color='blue')
plt.plot(X, model.predict(X), color='red')
2 ~) O, O0 X  f  dplt.xlabel('X')
plt.ylabel('y')
plt.title('Linear Regression')
plt.show()

4 j( Q  O& ?5 T& ]7 y7 |* _
/ w9 l3 d! K+ D& a