线性回归python代码示例
时间: 2023-08-14 18:13:59 浏览: 53
以下是一个使用Python进行线性回归的示例代码:
```python
import numpy as np
from sklearn.linear_model import LinearRegression
# 输入数据
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
y = np.dot(X, np.array([1, 2])) + 3
# 创建线性回归模型
model = LinearRegression()
# 拟合模型
model.fit(X, y)
# 预测新样本
X_new = np.array([[3, 4]])
y_new = model.predict(X_new)
# 打印结果
print('系数:', model.coef_)
print('截距:', model.intercept_)
print('预测值:', y_new)
```
这个示例代码中,我们使用NumPy创建了输入数据X和对应的输出数据y。然后,我们使用sklearn库中的LinearRegression类来创建线性回归模型。接下来,我们使用fit()方法拟合模型,然后使用predict()方法对新样本进行预测。最后,我们打印出模型的系数、截距和预测值。
请注意,这只是一个简单的示例代码,实际应用中可能需要进行更多的数据处理和模型评估步骤。
相关问题
线性回归 Python代码
下面是一个简单的线性回归 Python 代码示例:
```python
import numpy as np
from sklearn.linear_model import LinearRegression
# 生成数据
np.random.seed(0)
X = np.random.rand(100, 1)
y = 2 + 3 * X + np.random.rand(100, 1)
# 建立模型
model = LinearRegression()
model.fit(X, y)
# 预测
x_new = np.array([[0.5]])
y_new = model.predict(x_new)
# 输出结果
print(y_new)
```
在这个示例中,我们使用 `numpy` 生成了随机数据,然后使用 `LinearRegression` 类从 `sklearn.linear_model` 模块中创建了一个线性回归模型。我们使用 `fit` 方法拟合模型,并使用 `predict` 方法预测新的输入数据。最后,我们使用 `print` 函数输出预测结果。
线性回归python代码
以下是一个简单的线性回归Python代码示例:
```python
import numpy as np
from sklearn.linear_model import LinearRegression
# 构造数据
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
y = np.dot(X, np.array([1, 2])) + 3
# 创建线性回归模型
reg = LinearRegression().fit(X, y)
# 预测新数据
print(reg.predict(np.array([[3, 5]])))
```
这个代码使用了NumPy和scikit-learn库来实现线性回归。首先,我们构造了一个包含4个样本的数据集X和对应的目标变量y。然后,我们使用LinearRegression类来拟合这个数据集,并使用predict方法来预测新的数据。