将随机生成的一些自变量和因变量大体服从线性关系的数据，并用这些数据训练线性回归模型，然后查看模型的参数也就是w和b。 实验要求： 导入需要的库； 生成从1到100的整数数据； 实例化线性回归算法，并进行训练； 查看权重和截距； 模型可视化。代码

为了完成这个实验，你需要使用Python编程语言以及相关的数据分析和机器学习库，比如NumPy、Pandas和matplotlib。以下是简化的步骤：

# 导入所需的库
import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(42)  # 设置随机种子保证结果可复现
n_samples = 100
x_data = np.random.randint(1, 101, n_samples)
y_data = x_data + np.random.normal(0, 10, n_samples)  # 随机扰动使得数据不是完美的线性

# 实例化线性回归模型
model = LinearRegression()

# 训练模型
model.fit(x_data.reshape(-1, 1), y_data)

# 查看权重（斜率）和截距
weight = model.coef_[0]
intercept = model.intercept_
print(f"权重(w): {weight}, 截距(b): {intercept}")

# 模型可视化
plt.scatter(x_data, y_data, label='原始数据')
plt.plot(x_data, model.predict(x_data.reshape(-1, 1)), color='red', label='预测线')
plt.xlabel('自变量 X')
plt.ylabel('因变量 Y')
plt.legend()
plt.show()

在这个实验中，我们首先创建了一组模拟的线性关系数据，接着训练了一个线性回归模型去拟合这些数据。最后，我们得到了模型的参数（w和b），并将其应用到可视化图表上，以便直观地看到模型的表现。