python线性回归

# 导入必要的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# 生成一些示例数据
X = np.array([[1], [2], [3], [4], [5]])  # 特征
y = np.array([2, 4, 6, 8, 10])  # 标签

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X, y)

# 输出模型的参数
print(f"截距: {model.intercept_}")
print(f"系数: {model.coef_[0]}")

# 使用模型进行预测
X_test = np.array([[6], [7], [8]])
predictions = model.predict(X_test)
print(f"预测值: {predictions}")

# 可视化结果
plt.scatter(X, y, color='blue', label='原始数据')
plt.plot(X_test, predictions, color='red', label='预测线')
plt.xlabel('X')
plt.ylabel('y')
plt.title('线性回归')
plt.legend()
plt.show()

解释说明：

1. 导入库：我们导入了 numpy、matplotlib 和 sklearn 中的 LinearRegression 模块。
2. 生成示例数据：创建了一个简单的线性关系数据集，其中 X 是特征，y 是标签。
3. 创建并训练模型：使用 LinearRegression 创建一个线性回归模型，并通过 fit 方法进行训练。
4. 输出模型参数：打印出模型的截距和系数。
5. 预测：使用训练好的模型对新数据进行预测。
6. 可视化：使用 matplotlib 绘制原始数据点和预测线，帮助理解模型的表现。