一元线性回归sklearn

一元线性回归是统计学和机器学习中最基础的预测模型之一，它的目标是通过一个线性方程来预测一个连续变量（响应变量或目标变量）的值，给定一个输入变量（自变量或特征）。在Scikit-learn库中，`linear_model.LinearRegression`类用于实现一元线性回归。

以下是使用Scikit-learn进行一元线性回归的基本步骤：

1. 导入所需的库和模块：

from sklearn import linear_model
import numpy as np
import pandas as pd

2. 加载数据集（假设为numpy数组或pandas DataFrame）：

X = ... # 输入特征数据
y = ... # 输出目标变量数据

3. 初始化线性回归模型：

model = linear_model.LinearRegression()

4. 训练模型：

model.fit(X, y)

这一步会计算最佳拟合直线的参数（斜率和截距），使得模型能最小化实际值和预测值之间的误差平方和。

5. 预测新数据点：

new_data = ... # 新的输入特征数据
prediction = model.predict(new_data)

6. 模型评估（如计算均方误差、决定系数R^2等）：

from sklearn.metrics import mean_squared_error, r2_score
mse = mean_squared_error(y, prediction)
r2 = r2_score(y, prediction)