给出10个x值，计算y， y=2x 在计算出的y值上加入噪声值（噪声值范围1~3之间） 使用第一步、第二步产生的x,y作为样本数据，执行线性回归 可视化原始样本、预测结果

首先，我们按照给定的公式 `y = 2x` 来生成10个x值对应的y值：

import numpy as np

# Step 1: 生成x值（范围假设从0到9）
x = np.linspace(0, 9, 10)
y_clean = 2 * x

接着，我们将噪声添加到y值中，噪声范围为1到3之间：

# Step 2: 加入噪声
noise = np.random.randint(1, 4, size=len(x))
y_noisy = y_clean + noise

现在我们有了含有噪声的样本数据 `(x, y_noisy)`。

接下来执行线性回归，这里以Python的sklearn库为例：

from sklearn.linear_model import LinearRegression

# Step 3: 创建并训练线性回归模型
model = LinearRegression()
model.fit(x.reshape(-1, 1), y_noisy)

# 计算预测值
y_pred = model.predict(x.reshape(-1, 1))

最后，我们可以对原始样本数据和预测结果进行可视化，通常用matplotlib库来做：

import matplotlib.pyplot as plt

# Step 4: 可视化原始样本和预测结果
plt.figure(figsize=(10, 6))
plt.scatter(x, y_noisy, label='Original data with noise')
plt.plot(x, y_pred, 'r', label='Predicted values')
plt.title('Linear Regression on Noisy Data')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

以上就是完整的步骤，展示了如何通过加噪样本数据执行线性回归，并进行可视化。