天气预测的回归算法代码

以下是一个基于线性回归算法的天气预测代码示例，用于预测温度：

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 加载数据集
data = pd.read_csv('weather.csv')

# 选择特征列和目标列
X = data[['humidity', 'wind_speed']]
y = data['temperature']

# 将数据集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=0)

# 训练线性回归模型
regressor = LinearRegression()
regressor.fit(X_train, y_train)

# 进行预测
y_pred = regressor.predict(X_test)

# 输出模型的评估结果
print('Coefficients:', regressor.coef_)
print('Intercept:', regressor.intercept_)
print('Mean squared error:', mean_squared_error(y_test, y_pred))
print('R2 score:', r2_score(y_test, y_pred))

其中，`weather.csv` 是一个包含天气数据的 CSV 文件，包含了温度、湿度和风速等特征列以及目标列。在训练模型之前，我们需要选择特征列和目标列，并将数据集分为训练集和测试集。然后，使用 `LinearRegression` 类进行训练，并使用 `predict` 方法进行预测。最后，我们可以使用评估指标（如均方误差和 R2 分数）来评估模型的性能。