线性回归代码

2841097014

import numpy as np
* e2 d; K. h6 cfrom sklearn.linear_model import LinearRegression
* I* v  q# N) B& j! T" e7 g* vimport matplotlib.pyplot as plt
# j2 ]1 k/ x2 l, ^
" Q) {- W7 ?- {) @$ p+ q* h( F# 生成一些示例数据
9 M" u0 x" ?- D& knp.random.seed(0)
9 {* i: ]5 @; T: Z4 T* z! t5 ^, q3 LX = 2 * np.random.rand(100, 1)
y = 3 + 4 * X + np.random.randn(100, 1)
! f2 |* S1 g' {+ y& ]
# y9 P' a: G% c# 创建线性回归模型
. j* z. h3 ~) u6 Pmodel = LinearRegression()
3 d2 ?8 U5 T& P/ J/ P4 o
# 训练模型
+ I4 I* Y$ v) B) k; e0 Emodel.fit(X, y)

2 l, F& }# E8 w# 打印模型的参数
; a  u( k5 i- f7 Z! n. w: Gprint("Intercept:", model.intercept_)
- q# q  i  [. uprint("Coefficient:", model.coef_[0])

# 预测新数据点
new_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
' ]- l5 Y9 C$ x# W' ?( r$ U* ?" cpredicted_y = model.predict(new_X)
5 |, q& O9 G( l) \/ S/ l9 Dprint("Predicted y:", predicted_y)
* N$ }. ?1 g; r2 C: G% R
2 V3 _" Z1 V# E' X! e; [# 绘制数据和拟合线
plt.scatter(X, y, color='blue')
plt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
plt.ylabel('y')
plt.title('Linear Regression')
7 m5 I8 g' M  a( V5 X7 C/ Fplt.show()
  {( e% u$ i5 i. H

. b% D+ X1 Y  N0 p