利用机器学习中线性回归方法完成代码

线性回归是一种基本的监督学习方法，通常用于预测连续数值。在Python中，我们可以使用sklearn库中的`LinearRegression`类来实现。下面是一个简单的例子，展示如何使用线性回归解决房价预测的问题：

# 导入必要的库
from sklearn.model_selection import train_test_split 
from sklearn.linear_model import LinearRegression
from sklearn import metrics
import pandas as pd
import numpy as np

# 假设我们有房价数据集
data = pd.read_csv("house_prices.csv")  # 这里假设数据集已经加载到DataFrame中

# 数据预处理（选择特征和目标变量）
X = data[['sqft_living', 'bedrooms']]  # 特征列
y = data['price']  # 目标变量，房价

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 初始化线性回归模型
model = LinearRegression()

# 拟合模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 计算一些评估指标
mean_squared_error = metrics.mean_squared_error(y_test, y_pred)
r2_score = metrics.r2_score(y_test, y_pred)

print(f"Mean Squared Error: {mean_squared_error}")
print(f"R^2 Score: {r2_score}")

# 输出模型系数和截距
intercept = model.intercept_
coefficients = model.coef_
print(f"Coefficients: {coefficients}, Intercept: {intercept}")

这个例子中，我们选择了平方英尺居住面积（`sqft_living`）和卧室数（`bedrooms`）作为特征，使用线性回归模型预测房价。首先划分数据集，接着训练模型，再用测试集验证模型性能，最后查看模型的系数和截距。