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

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。

python 线性回归 代码

当然，我可以帮你提供一段 Python 的线性回归代码示例。以下是一个简单的例子：

import numpy as np
from sklearn.linear_model import LinearRegression

# 训练数据
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([2, 4, 6, 8, 10])

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X, y)

# 预测
x_test = np.array([[6], [7]])
y_pred = model.predict(x_test)

print("预测结果:", y_pred)

在这个例子中，我们使用了 `numpy` 来创建了输入数据 `X` 和目标变量 `y`。然后，我们使用 `sklearn` 库中的 `LinearRegression` 类来创建线性回归模型。我们将数据传递给 `fit()` 方法来训练模型，并使用 `predict()` 方法来进行预测。

希望这个例子对你有帮助！如果你有其他问题，请随时提问。