python做线性回归代码

可以使用scikit-learn库中的LinearRegression类来实现线性回归，代码如下：

from sklearn.linear_model import LinearRegression
import numpy as np

# 构造样本数据
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
y = np.dot(X, np.array([1, 2])) + 3

# 创建线性回归对象并拟合数据
reg = LinearRegression().fit(X, y)

# 打印模型参数
print(reg.coef_)
print(reg.intercept_)

这段代码实现了一个简单的线性回归模型，使用样本数据`X`和目标数据`y`来训练模型，最后输出模型的参数。

相关问题

Python多元线性回归代码

以下是一个Python多元线性回归的例子：

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression

# 导入数据
data = pd.read_csv("data.csv")

# 定义自变量和因变量
X = data[['x1', 'x2', 'x3']]
y = data['y']

# 拟合模型
model = LinearRegression().fit(X, y)

# 输出系数和截距
print("Coefficients:", model.coef_)
print("Intercept:", model.intercept_)

其中，`data.csv`是包含自变量和因变量的数据文件，`X`是自变量矩阵，`y`是因变量向量。`LinearRegression()`是线性回归模型，`fit()`方法用于拟合模型。最后输出的系数和截距分别是模型的参数。

python多元线性回归代码

以下是一个使用Python实现多元线性回归的示例代码：

import pandas as pd
from sklearn.linear_model import LinearRegression

# 读取数据集
data = pd.read_csv('data.csv')

# 将数据集分为自变量和因变量
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 训练模型
regressor = LinearRegression()
regressor.fit(X, y)

# 预测结果
y_pred = regressor.predict(X)

# 输出模型参数
print('Coefficients: ', regressor.coef_)
print('Intercept: ', regressor.intercept_)
print('R-squared: ', regressor.score(X, y))

其中，`data.csv`是包含自变量和因变量的数据集文件。在代码中，首先使用`pandas`库读取数据集，然后将数据集分为自变量和因变量。接着，使用`sklearn`库中的`LinearRegression`类训练模型，并使用训练好的模型预测结果。最后，输出模型参数，包括回归系数、截距和决定系数R平方。