jupyter notebook先用numpy定义两个数组分别存放工龄数据和工资数据再用linearregression建立基于工龄和工资数据集的线性回归模型

Jupyter Notebook是一个开源的Web应用程序，允许你创建和共享包含实时代码、方程、可视化和解释性文本的文档。使用NumPy定义数组和建立线性回归模型通常涉及以下步骤：

首先，你需要安装并导入必要的库，比如NumPy和scikit-learn（它包含了线性回归模型）。然后，你可以定义两个NumPy数组，一个用于存储工龄数据，另一个用于存储工资数据。最后，使用这些数据作为输入创建一个线性回归模型，并拟合这些数据以训练模型。

以下是具体的步骤和代码示例：

# 导入必要的库
import numpy as np
from sklearn.linear_model import LinearRegression

# 假设我们有以下的工龄和工资数据
# 工龄数据（以年为单位）
years_of_experience = np.array([[1], [2], [3], [4], [5]])
# 工资数据（以千为单位）
salary = np.array([[30], [40], [50], [60], [70]])

# 创建线性回归模型实例
linear_model = LinearRegression()

# 使用工龄和工资数据训练模型
# 这里的years_of_experience作为X（特征），salary作为y（目标变量）
linear_model.fit(years_of_experience, salary)

# 现在模型已经训练完毕，我们可以用它来预测工资或查看系数
# 打印出线性回归模型的系数
print('斜率（系数）:', linear_model.coef_)
print('截距:', linear_model.intercept_)

# 使用模型进行预测
# 例如，预测一个有10年工龄的员工的工资
predicted_salary = linear_model.predict(np.array([[10]]))
print('预测工资:', predicted_salary)

在上述代码中，我们首先导入了必要的库，定义了工龄和工资的数据，然后创建了线性回归模型的实例，并使用`.fit()`方法训练模型。训练完成后，我们可以打印出模型的系数（斜率）和截距，并使用模型进行预测。