线性回归代码

2841097014

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

8 ?  V) H7 g8 W# 生成一些示例数据
np.random.seed(0)
2 d; I6 W, U: C9 W# a, d- D1 {X = 2 * np.random.rand(100, 1)
3 t3 c2 V9 l- e, \y = 3 + 4 * X + np.random.randn(100, 1)

# 创建线性回归模型
& L8 D- [" I. |' U4 F0 \. wmodel = LinearRegression()

# 训练模型
1 ^8 N( [; I/ I, g/ t# Ymodel.fit(X, y)

& g) [+ I) H' f( i' @- r# 打印模型的参数
/ J4 q* j9 l7 H8 p) t" `print("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])
* n$ t" a6 L+ N5 ?& U
# 预测新数据点
new_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
. ]- }. p/ D8 D; I# O' @predicted_y = model.predict(new_X)
print("Predicted y:", predicted_y)
; ^$ n/ i! Z9 S5 P
# 绘制数据和拟合线
plt.scatter(X, y, color='blue')
+ l1 M2 R9 F0 D* A0 [9 v( dplt.plot(X, model.predict(X), color='red')
7 M  h) V4 ~8 v2 |% uplt.xlabel('X')
6 q  P4 g/ g3 M/ z4 y2 gplt.ylabel('y')
plt.title('Linear Regression')
: R; }  ]# U% ?. F6 j8 {( X# xplt.show()
0 X* y  B' D' Y7 R% J) o) D

7 b1 G% K0 g3 m& v