线性回归代码

2841097014

import numpy as np
from sklearn.linear_model import LinearRegression
+ q0 \7 ?5 y  C0 j/ @& G# o- t# @( |import matplotlib.pyplot as plt
5 W) b- |. t* d5 ~' }  ?
# 生成一些示例数据
- H8 s; V6 W8 J2 D# G1 R8 a4 [np.random.seed(0)
X = 2 * np.random.rand(100, 1)
' A! q% A3 O; y, j3 iy = 3 + 4 * X + np.random.randn(100, 1)
* m3 F7 E: q$ ]5 n: d
5 T2 \3 X3 J  [1 ~: |# 创建线性回归模型
" z/ c8 \  \+ Rmodel = LinearRegression()

( c2 @  g* Z) S7 g% e1 t5 j# 训练模型
7 U0 |, X; Z2 E1 Dmodel.fit(X, y)
+ T2 a! l% X: D* r* ?% J( L4 W
# 打印模型的参数
6 m1 E+ W1 y9 J1 M$ ~% ?print("Intercept:", model.intercept_)
print("Coefficient:", model.coef_[0])
8 Q6 l+ e% m/ K  {6 Z, ]4 W
# 预测新数据点
new_X = np.array([[1.5]])  # 输入一个新的 X 值进行预测
" Z6 S+ S/ S: y( g- B6 }- ^predicted_y = model.predict(new_X)
# _, e* `5 H9 v3 Xprint("Predicted y:", predicted_y)

; y. K* p2 i" R, D3 u8 P7 k# 绘制数据和拟合线
8 h! g( F* R' r8 V* y% R4 ~1 `plt.scatter(X, y, color='blue')
4 I) K( l- j/ s- N, P5 Y# ^plt.plot(X, model.predict(X), color='red')
plt.xlabel('X')
: _2 C- ?! i8 s. ?0 a6 [8 q! i% Cplt.ylabel('y')
plt.title('Linear Regression')
plt.show()


8 Y" l; l3 z$ Q) j" P* d/ F/ x