线性回归代码

2841097014

import numpy as np
1 I1 l% V2 Y. E5 T" ?% b' Jfrom sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

! c* }: {  }: t! N; G7 L( T3 s# 生成一些示例数据
np.random.seed(0)
X = 2 * np.random.rand(100, 1)
0 q+ @& a2 Y9 o) |y = 3 + 4 * X + np.random.randn(100, 1)

# 创建线性回归模型
! a9 D( j& ~9 v! tmodel = LinearRegression()
0 F# j) ^/ ]. T: G0 h
# 训练模型
model.fit(X, y)
* j9 r4 _; {8 e( f2 w/ X
5 k9 w9 U$ g& G( v1 v1 }# 打印模型的参数
print("Intercept:", model.intercept_)
  s+ D6 H6 o2 v5 z# Uprint("Coefficient:", model.coef_[0])
8 U2 @4 q9 p6 B; F' t; s4 o
" Y1 w8 E6 [' ?9 v# 预测新数据点
& s, m2 [4 y' y3 U5 k* gnew_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
predicted_y = model.predict(new_X)
9 M8 ]# ?$ `4 O% [' _print("Predicted y:", predicted_y)

7 }- B9 w' L/ {) ^( i+ E% T. j# 绘制数据和拟合线
1 k4 t0 u6 s3 K' t. t/ oplt.scatter(X, y, color='blue')
) p. ?, [6 w" ?3 q$ o; kplt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
plt.ylabel('y')
plt.title('Linear Regression')
* X$ W* S, L5 n% _( J9 F6 E" Jplt.show()

1 {; X! R+ V7 c8 |6 ^
2 m+ f; d1 L+ V5 w, b- u