使用向量化数据和numpy库实现线性回归模型

使用向量化数据和NumPy库实现线性回归模型通常涉及以下几个步骤：

1. **导入所需的库**：

   import numpy as np
   from sklearn.model_selection import train_test_split
   from sklearn.linear_model import LinearRegression

2. **准备数据**：
假设你有一个二维数组`X`表示特征数据，一个一维数组`y`表示目标值。先将数据分为训练集和测试集：

   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. **创建并初始化模型**：

   model = LinearRegression()

4. **转换为向量化数据**：
NumPy允许我们直接操作整个数组，因此我们将输入数据转换为适合线性回归的一维数组（对于每个样本，是一个包含特征值的列向量）：

   X_train = X_train.reshape(-1, 1)  # 如果X_train是单列矩阵，则不需要这一步
   X_test = X_test.reshape(-1, 1)

5. **拟合模型**：

   model.fit(X_train, y_train)

6. **预测**：
对于新的测试数据，同样转化为向量化形式后进行预测：

   y_pred = model.predict(X_test)

7. **评估性能**：
可以使用如均方误差（Mean Squared Error, MSE）等指标来评估模型的性能。