python实现一元线性回归分析

在Python中，可以使用统计库`scikit-learn`来实现一元线性回归分析。线性回归是一种预测模型，它假设两个变量之间存在线性关系，其中一个变量（自变量）通常是时间或其他连续值，另一个变量（因变量）则是我们试图预测的目标值。

以下是使用`sklearn.linear_model.LinearRegression`类进行简单一元线性回归的基本步骤：

1. 导入所需的库：

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import numpy as np

2. 准备数据集：假设有两个列，一列为自变量X，另一列为因变量Y。

X = np.array([...])  # 自变量的数组，例如包含特征数据
y = np.array([...])  # 因变量的数组，例如目标值

3. 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)

4. 创建并训练模型：

model = LinearRegression()
model.fit(X_train, y_train)

5. 预测新数据：

predictions = model.predict(X_test)

6. 评估模型性能：

from sklearn.metrics import mean_squared_error, r2_score
mse = mean_squared_error(y_test, predictions)
r2 = r2_score(y_test, predictions)
print("MSE:", mse)
print("R-squared:", r2)