生成一个线性回归的python代码

import numpy as np
from sklearn.linear_model import LinearRegression # 设置自变量和因变量
x = np.array([5, 15, 25, 35, 45, 55]).reshape((-1, 1))
y = np.array([5, 20, 14, 32, 22, 38]) # 创建并训练模型
model = LinearRegression().fit(x, y) # 获取预测结果
r_sq = model.score(x, y)
intercept, coefficients = model.intercept_, model.coef_
y_pred = model.predict(x) # 打印输出
print('coefficient of determination:', r_sq)
print('intercept:', intercept)
print('coefficients:', coefficients)
print('predicted response:', y_pred, sep='\n')

相关问题

线性回归 Python代码

下面是一个简单的线性回归 Python 代码示例：

import numpy as np
from sklearn.linear_model import LinearRegression

# 生成数据
np.random.seed(0)
X = np.random.rand(100, 1)
y = 2 + 3 * X + np.random.rand(100, 1)

# 建立模型
model = LinearRegression()
model.fit(X, y)

# 预测
x_new = np.array([[0.5]])
y_new = model.predict(x_new)

# 输出结果
print(y_new)

在这个示例中，我们使用 `numpy` 生成了随机数据，然后使用 `LinearRegression` 类从 `sklearn.linear_model` 模块中创建了一个线性回归模型。我们使用 `fit` 方法拟合模型，并使用 `predict` 方法预测新的输入数据。最后，我们使用 `print` 函数输出预测结果。

多元非线性回归 python代码

以下是使用Scikit-learn库实现多元非线回归的Python代码示例：

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures

# 生成随机数据
np.random.seed(0)
X = np.random.rand(100, 1) * 10
y = np.sin(X) + np.random.randn(100, 1)

# 创建多项式特征
poly_features = PolynomialFeatures(degree=2)
X_poly = poly_features.fit_transform(X)

# 创建并拟合线性回归模型
model = LinearRegression()
model.fit(X_poly, y)

# 预测新数据
X_new = np.linspace(0, 10, 100).reshape(-1, 1)
X_new_poly = poly_features.transform(X_new)
y_new = model.predict(X_new_poly)

# 绘制结果
import matplotlib.pyplot as plt
plt.scatter(X, y, label='Data')
plt.plot(X_new, y_new, color='r', label='Predictions')
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.show()

在这个示例中，我们生成了一些随机数据，并使用PolynomialFeatures创建了二次多项式特征。然后，使用LinearRegression拟合了线性回归模型，并使用这个模型对新数据进行预测。最后，使用matplotlib库绘制了原始数据和预测结果的散点图和曲线。你可以根据自己的数据和需求，调整多项式的阶数和其他参数。