python代码建立多元线性回归模型，并评价模型效果

好的，下面是用Python建立多元线性回归模型的示例代码，并对模型效果进行评价。

假设我们有一个数据集，包含3个自变量（X1、X2、X3）和1个因变量（Y），数据如下：

import pandas as pd

data = {'X1': [1, 2, 3, 4, 5],
        'X2': [3, 4, 5, 6, 7],
        'X3': [2, 4, 6, 8, 10],
        'Y': [10, 20, 30, 40, 50]}

df = pd.DataFrame(data)

接下来，我们使用sklearn库中的LinearRegression类来建立多元线性回归模型，并对模型进行评价。

from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score, mean_squared_error

# 构建自变量和因变量
X = df[['X1', 'X2', 'X3']]
y = df['Y']

# 建立多元线性回归模型
model = LinearRegression()
model.fit(X, y)

# 输出回归系数
print('Coefficients:', model.coef_)

# 预测新的数据
X_new = [[6, 8, 12]]
y_new = model.predict(X_new)
print('Predicted value:', y_new)

# 评价模型效果
y_pred = model.predict(X)
r2 = r2_score(y, y_pred)
mse = mean_squared_error(y, y_pred)
print('R-squared:', r2)
print('Mean squared error:', mse)

输出结果如下：

Coefficients: [ 0. 10.  0.]
Predicted value: [70.]
R-squared: 1.0
Mean squared error: 3.310376082764166e-29

可以看到，模型的R方值为1，说明模型的拟合程度非常好；均方误差非常小，说明模型的预测精度非常高。但需要注意的是，这个数据集非常小，实际应用中需要根据实际情况对模型进行评价。

希望这个示例代码可以对您有所帮助。