机器学习线性回归PYTHON算法

在Python中，线性回归是一种基本的监督学习模型，常用于预测连续数值变量。它是通过拟合数据点的最佳直线（最小化残差平方和）来进行预测。Scikit-learn库提供了一个叫做`LinearRegression`的模块，可以方便地实现线性回归。以下是简单的步骤：

1. 导入所需库：

from sklearn.linear_model import LinearRegression
import numpy as np

2. 准备数据集，包括特征（X）和目标值（y）：

# 假设我们有特征数组X和目标值数组y
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([2, 4, 6, 8, 10])

3. 创建并训练模型：

model = LinearRegression()
model.fit(X, y)

4. 预测新数据点：

new_data = [[6], [7]]  # 新的输入数据
predictions = model.predict(new_data)

5. 模型评估（例如计算均方误差或R²分数）：

from sklearn.metrics import mean_squared_error

mse = mean_squared_error(y, predictions)
print("Mean Squared Error:", mse)