import numpy as np from sklearn.linear_model import LinearRegression # 定义数据集 X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 自变量矩阵 y = np.array([10, 20, 30]) # 因变量向量 # 创建线性回归模型并拟合数据 model = LinearRegression() model.fit(X, y) # 打印回归系数和截距 print("回归系数:", model.coef_) print("截距:", model.intercept_) 在此代码中加入散点图的绘制

要在这段代码中加入散点图的绘制，你可以使用Matplotlib库来实现。以下是修改后的代码：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# 定义数据集
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])  # 自变量矩阵
y = np.array([10, 20, 30])  # 因变量向量

# 创建线性回归模型并拟合数据
model = LinearRegression()
model.fit(X, y)

# 打印回归系数和截距
print("回归系数:", model.coef_)
print("截距:", model.intercept_)

# 绘制散点图
fig, ax = plt.subplots()
ax.scatter(X[:, 0], y, color='blue', label='Actual')
ax.scatter(X[:, 0], model.predict(X), color='red', label='Predicted')
ax.legend()
plt.show()

在这段代码中，使用`plt.subplots()`创建一个图形对象和轴对象。然后使用`ax.scatter()`绘制了实际值的散点图，其中X的第一列作为自变量，y作为因变量。同时，使用`ax.scatter()`绘制了预测值的散点图，其中X的第一列作为自变量，使用模型的`predict()`方法得到预测值。最后通过`ax.legend()`添加图例，`plt.show()`显示图形。

运行代码后，将会显示出散点图和回归线，其中蓝色的点表示实际值，红色的点表示预测值。