用机器学习的相关内容写一份实现最小二乘法实现线性回归，评估线性回归分析的误差的代码

线性回归是一种常见的机器学习算法，用于预测数值型目标变量。最小二乘法是求解线性回归模型的一种经典方法，它通过找到使残差平方和最小化的参数来拟合数据。下面是一个简单的Python示例，使用Scikit-learn库实现最小二乘法的线性回归，并计算误差：

# 导入必要的库
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 假设我们有样本数据（X是特征矩阵，y是目标变量）
X = np.array([[1], [2], [3], [4], [5]])  # 特征
y = np.array([2, 3, 5, 7, 9])            # 目标值

# 创建并训练线性回归模型
model = LinearRegression()
model.fit(X, y)

# 预测新数据点的结果
new_data = np.array([[6], [7]])
predictions = model.predict(new_data)

# 计算实际结果和预测结果之间的均方误差（MSE）
mse = mean_squared_error(y, predictions)
print("预测结果：", predictions)
print("均方误差 (MSE)：", mse)

#