使用 Python 实现简单的线性回归算

在Python中，我们可以使用内置的`numpy`和`matplotlib`库来实现简单的线性回归。这里有一个基本的例子，我们将使用Scikit-learn库，它提供了更方便的工具。

首先，你需要安装必要的库，如果尚未安装，可以使用pip命令：

pip install numpy matplotlib scikit-learn

然后，你可以按照以下步骤创建一个简单的线性回归模型：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# 创建一些模拟数据
x = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)  # 输入特征
y = np.array([2, 4, 5, 4, 5])  # 目标值

# 创建并训练模型
model = LinearRegression()
model.fit(x, y)

# 预测新数据
new_x = np.array([[6], [7]])
predictions = model.predict(new_x)

# 绘制数据和拟合直线
plt.scatter(x, y, color='blue')
plt.plot(new_x, predictions, color='red', label="Linear Regression Line")
plt.xlabel("Input feature")
plt.ylabel("Target value")
plt.legend()
plt.show()

# 打印模型的相关参数
print("Intercept:", model.intercept_)
print("Slope:", model.coef_[0])

这个例子中，我们创建了一个线性模型，通过输入特征（这里是数字1到5）预测目标值。`fit()`函数训练模型，`predict()`函数用于做出新的预测。最后，我们用散点图展示了原始数据，并显示了模型预测的新点以及拟合的直线。