jupyter notebook 线性回归代码

Jupyter Notebook是一种流行的交互式计算环境，常用于数据科学和机器学习项目。在这里，我们可以展示一个简单的线性回归示例，假设我们想要预测某个数值型变量Y基于另一个变量X。以下是使用Python的scikit-learn库在一个Jupyter Notebook中实现线性回归的基本步骤：

# 导入所需的库
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split 
from sklearn.linear_model import LinearRegression
from sklearn import metrics

# 假设我们有一个名为'data.csv'的数据集
data = pd.read_csv('data.csv') # 替换为实际文件路径

# 定义特征（X）和目标变量（y）
X = data['X_column'].values.reshape(-1, 1) # 将X列转换为数组，并添加维度
y = data['Y_column'].values.reshape(-1, 1) # 同理处理y列

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型性能
print("均方误差(MSE):", metrics.mean_squared_error(y_test, y_pred))
print("决定系数(R^2):", metrics.r2_score(y_test, y_pred))

#