设计一个简单的数据集并利用 sklearn 的线性回归函数实现预测功能，可用函数

设计一个简单的数据集并使用 sklearn 的线性回归函数实现预测功能，可以按照以下步骤进行：

1. 导入所需的库
首先，需要导入 Python 的 sklearn 库，它包含了机器学习常用的工具和函数，以及 numpy 库用于数学运算。

import numpy as np
from sklearn.linear_model import LinearRegression

2. 创建数据集
数据集可以通过 numpy 库生成一些随机数据来模拟，或者使用真实的数据。这里，为了简单起见，我们生成一个线性关系的数据集。

# 设置随机种子以确保结果可复现
np.random.seed(0)

# 创建一些特征数据 X (大小为 100x1 的数组)，这里我们使用 0 到 99 的整数
X = 2 * np.random.rand(100, 1)

# 创建目标数据 y (大小为 100x1 的数组)，其中 y = 3 + 4x + 高斯噪声
y = 3 + 4 * X + np.random.randn(100, 1)

3. 创建并训练模型
创建一个线性回归模型的实例，并使用我们的数据集来训练它。

# 实例化线性回归模型
model = LinearRegression()

# 训练模型，使用数据集 X 和 y
model.fit(X, y)

4. 使用模型进行预测
一旦模型被训练好，就可以用它来预测新的数据点。

# 假设我们想要预测一个新的数据点 x_new = 0.5
x_new = np.array([[0.5]])

# 使用模型来预测 y 的值
y_predict = model.predict(x_new)

print("预测结果:", y_predict)

5. 查看模型参数
查看模型参数可以帮助我们理解模型的学习结果。

# 打印模型的斜率 (权重)
print("模型系数:", model.coef_)

# 打印模型的截距 (偏置)
print("模型截距:", model.intercept_)

6. 可视化结果（可选）
虽然这不是必须的，但可视化结果可以帮助我们更好地理解数据和模型的拟合情况。

import matplotlib.pyplot as plt

# 绘制原始数据
plt.scatter(X, y, color='blue', label='实际数据')

# 绘制拟合的线
plt.plot(X, model.predict(X), color='red', label='拟合线')

# 添加图例
plt.legend()

# 显示图表
plt.show()

这样，我们就使用 sklearn 库中的线性回归函数实现了一个简单的数据集预测功能。