单变量线性回归（不能使用sklearn中的线性回归模型）的代码

单变量线性回归是一种预测模型，用于研究两个变量之间的线性关系，其中一个变量（自变量）被认为是因变量的解释者。这里是一个简单的Python代码示例，使用numpy库来进行手动计算：

import numpy as np

# 定义线性回归函数
def simple_linear_regression(x, y):
    # 计算均值
    x_mean = np.mean(x)
    y_mean = np.mean(y)

    # 计算斜率 (b) 和截距 (a)
    numerator = np.sum((x - x_mean) * (y - y_mean))
    denominator = np.sum((x - x_mean)**2)
    b = numerator / denominator
    a = y_mean - b * x_mean

    return a, b

# 示例数据
x_data = [1, 2, 3, 4, 5]
y_data = [1, 3, 5, 7, 9]

# 调用函数并打印结果
slope, intercept = simple_linear_regression(x_data, y_data)
print(f"斜率 (b): {slope}")
print(f"截距 (a): {intercept}")

# 预测新数据点
new_x = 6
predicted_y = intercept + slope * new_x
print(f"对于新的x值 {new_x}，预测的y值是: {predicted_y}")

在这个例子中，我们首先计算了自变量（x）和因变量（y）的均值，然后使用公式计算斜率和截距。最后，我们可以使用计算出的斜率和截距对新的x值做出预测。