python 线性回归代码

以下是一个简单的Python线性回归代码示例：

import numpy as np
import matplotlib.pyplot as plt

# 输入数据
X = np.array([1, 2, 3, 4, 5])
Y = np.array([5, 7, 9, 11, 13])

# 均值
x_mean = np.mean(X)
y_mean = np.mean(Y)

# 总数据个数
n = len(X)

# 使用公式计算斜率和截距
numerator = 0
denominator = 0
for i in range(n):
    numerator += (X[i] - x_mean) * (Y[i] - y_mean)
    denominator += (X[i] - x_mean) ** 2
slope = numerator / denominator
intercept = y_mean - (slope * x_mean)

# 输出结果
print("斜率:", slope)
print("截距:", intercept)

# 绘制图像
plt.scatter(X, Y)
plt.plot(X, slope * X + intercept, 'r')
plt.show()

这个代码计算输入数据的线性回归，并绘制了一个散点图和回归线。

相关问题

Python 线性回归代码

在Python中，线性回归是一种基本的预测模型，用于分析两个变量之间的关系。我们可以使用scikit-learn库中的LinearRegression模块来实现。下面是一个简单的线性回归模型的例子：

# 导入所需的库
from sklearn.model_selection import train_test_split
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn import metrics

# 假设我们有一个CSV数据集df，其中包含'feature_column'和'response_column'列
data = pd.read_csv('your_dataset.csv')

# 分割特征和目标变量
X = data['feature_column']
y = data['response_column']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

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

# 预测
y_pred = model.predict(X_test)

# 评估模型性能
print('均方误差 (Mean Squared Error):', metrics.mean_squared_error(y_test, y_pred))
print('R²分数 (R-squared):', metrics.r2_score(y_test, y_pred))

python线性回归代码

以下是一个简单的Python线性回归代码示例：

import numpy as np
import matplotlib.pyplot as plt

# 创建一个随机数据集
np.random.seed(0)
X = np.random.rand(100, 1)
y = 2 + 3 * X + np.random.rand(100, 1)

# 绘制数据集散点图
plt.scatter(X, y, s=10)
plt.xlabel('X')
plt.ylabel('y')
plt.show()

# 使用梯度下降算法实现线性回归
learning_rate = 0.1
n_iterations = 1000
theta = np.random.randn(2, 1)
X_b = np.c_[np.ones((100, 1)), X]

for iteration in range(n_iterations):
    gradients = 2 / 100 * X_b.T.dot(X_b.dot(theta) - y)
    theta = theta - learning_rate * gradients

# 绘制拟合直线
X_new = np.array([[0], [1]])
X_new_b = np.c_[np.ones((2, 1)), X_new]
y_predict = X_new_b.dot(theta)
plt.plot(X_new, y_predict, "r-")
plt.scatter(X, y, s=10)
plt.xlabel('X')
plt.ylabel('y')
plt.show()

这个代码使用NumPy和Matplotlib库来创建一个随机的数据集，并使用梯度下降算法实现线性回归。最终，拟合的直线通过Matplotlib库进行可视化。