机器学习线性回归代码加数据

在Python的Scikit-Learn库中，线性回归是一个常见的机器学习模型，用于预测数值型目标变量。下面是一个简单的线性回归的例子，包括数据加载、模型训练和预测：

# 导入所需的库
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import pandas as pd
import numpy as np

# 假设我们有一个CSV文件名为'data.csv'，包含两列 'feature_column' 和 'target_column'
data = pd.read_csv('data.csv')

# 将数据拆分为特征(feature_column)和目标(target_column)
X = data['feature_column'].values.reshape(-1, 1)  # 归一化或处理成一维数组
y = data['target_column'].values  # 目标值也是一维数组

# 划分数据集（70%训练，30%测试）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 打印模型系数和截距
print(f"模型参数：{model.coef_}, 截距：{model.intercept_}")