线性回归模型的训练和使用,并且分析准确度的代码
时间: 2023-05-28 07:04:23 浏览: 36
以下是一个简单的线性回归模型的训练和使用的Python代码示例,使用scikit-learn库实现:
```python
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
import numpy as np
# 生成示例数据
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)
# 训练模型
lin_reg = LinearRegression()
lin_reg.fit(X, y)
# 打印模型参数
print("Intercept:", lin_reg.intercept_)
print("Coefficients:", lin_reg.coef_)
# 使用模型进行预测
X_new = np.array([[0], [2]])
y_new = lin_reg.predict(X_new)
print("Predictions:", y_new)
# 计算模型的均方根误差
y_pred = lin_reg.predict(X)
mse = mean_squared_error(y, y_pred)
rmse = np.sqrt(mse)
print("RMSE:", rmse)
```
在这个示例中,我们首先生成了一些示例数据,然后使用LinearRegression类训练了一个线性回归模型。训练完成后,我们打印了模型的截距和系数,以及使用模型进行预测的结果。最后,我们计算了模型的均方根误差(RMSE),以评估模型的准确度。
需要注意的是,这只是一个简单的示例代码,实际应用中可能需要更复杂的数据预处理、特征工程和模型调参等步骤,以获得更好的模型性能。