python linearregression

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

# 创建一些示例数据
X = np.array([[1], [2], [3], [4], [5]])  # 特征
y = np.array([2, 4, 6, 8, 10])  # 目标变量

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X, y)

# 打印模型的系数和截距
print(f"系数: {model.coef_}")
print(f"截距: {model.intercept_}")

# 预测新数据点
X_new = np.array([[6]])
y_pred = model.predict(X_new)
print(f"预测值: {y_pred}")

# 可视化结果
plt.scatter(X, y, color='blue', label='真实值')
plt.plot(X, model.predict(X), color='red', label='预测值')
plt.scatter(X_new, y_pred, color='green', label='新预测点')
plt.legend()
plt.show()

解释说明：

1. 导入库：我们导入了 LinearRegression 模型、numpy 用于处理数组，以及 matplotlib 用于可视化。
2. 创建示例数据：我们创建了一个简单的数据集，其中 X 是特征（输入），y 是目标变量（输出）。
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() 方法训练模型。
4. 打印模型参数：输出模型的系数（斜率）和截距。
5. 预测新数据点：使用训练好的模型对新的数据点进行预测。
6. 可视化结果：使用 matplotlib 绘制散点图和拟合直线，展示模型的效果。