python二元线性回归

二元线性回归是一种用来建立和预测两个变量之间线性关系的统计模型。在Python中，可以使用多种库和方法来实现二元线性回归，其中最常用的是使用scikit-learn库。

以下是一个简单的示例代码，演示如何使用scikit-learn进行二元线性回归：

import numpy as np
from sklearn.linear_model import LinearRegression

# 训练数据
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
y = np.dot(X, np.array([1, 2])) + 3

# 创建线性回归模型
model = LinearRegression()

# 拟合模型
model.fit(X, y)

# 预测
x_test = np.array([[3, 4]])
y_pred = model.predict(x_test)

print("预测结果:", y_pred)

这段代码首先导入了`numpy`和`LinearRegression`类，分别用于处理数据和创建线性回归模型。然后，我们定义了训练数据`X`和目标变量`y`，并使用这些数据来训练模型。接下来，我们创建了一个新的测试数据`x_test`，并通过调用模型的`predict()`方法来预测目标变量的值。

以上代码是一个简单的示例，你可以根据实际情况修改和扩展以适应你的需求。希望对你有所帮助！如果有更多问题，请随时提问。