线性回归代码

2841097014

import numpy as np
. N* ~$ S3 S2 I1 Xfrom sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
0 Z& {& W) ?: _6 V5 d' s7 R1 K  U
! c/ E" `( }1 w5 o: F- R2 g: N* d# 生成一些示例数据
np.random.seed(0)
2 ]9 w. L& b- s3 _# J9 |% `5 TX = 2 * np.random.rand(100, 1)
y = 3 + 4 * X + np.random.randn(100, 1)

# 创建线性回归模型
% b! C  y, c- R- Fmodel = LinearRegression()
/ _2 A- q$ p0 w* g$ G
# 训练模型
model.fit(X, y)

$ d+ D0 E3 `# T- B9 h. ]# 打印模型的参数
1 P1 i) |9 O4 I. bprint("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])
, w% n/ C! U6 I7 t7 W
# 预测新数据点
' r. V4 G/ e+ [- rnew_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
2 |( @9 Z& |. n2 N5 u# ~! y3 p) i. Epredicted_y = model.predict(new_X)
print("Predicted y:", predicted_y)

# 绘制数据和拟合线
plt.scatter(X, y, color='blue')
$ a6 H2 b5 G4 [plt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
0 z3 w4 Y& `) N  c6 m4 j3 ^, Jplt.ylabel('y')
# t3 h% ?$ N2 pplt.title('Linear Regression')
3 V+ ?! Z( O+ vplt.show()


/ U: I, R0 z+ S