机器学习线性回归训练样本代码

在Python中，我们可以使用scikit-learn库来实现线性回归的训练。以下是一个简单的例子，假设我们有一个二维数据集，我们要预测目标变量`y`基于特征`X`：

# 导入所需的库
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import numpy as np

# 创建模拟数据 (假设有一个输入矩阵X和对应的输出向量y)
X = np.random.rand(100, 2)  # 100个样本，每个样本有两个特征
y = 5 + 3 * X[:, 0] + 2 * X[:, 1] + np.random.randn(100)  # 目标变量是随机生成的

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并初始化线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测测试集结果
y_pred = model.predict(X_test)

# 打印一些模型信息
print("模型系数: ", model.coef_)
print("模型截距: ", model.intercept_)