python利用回归模型预测

在Python中，回归模型是一种统计学方法，用于预测连续数值型数据。常见的一些回归算法包括线性回归、多项式回归、决策树回归、随机森林回归、支持向量回归(SVR)和神经网络回归等。以下是使用Python scikit-learn库创建简单线性回归模型的基本步骤：

1. 导入库：首先需要导入`numpy`, `pandas`, 和 `sklearn`（特别是`linear_model`模块下的`LinearRegression`）。

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

2. 准备数据：加载数据集，通常数据分为特征（X）和目标变量（y）。例如：

data = pd.read_csv('your_data.csv')  # 假设数据在CSV文件中
X = data[['feature1', 'feature2']]  # 特征列名
y = data['target']  # 目标值列名

3. 划分训练集和测试集：为了评估模型性能，通常会将数据划分为训练集和测试集。

from sklearn.model_selection import train_test_split
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：用训练好的模型对测试集或新的数据进行预测。

predictions = model.predict(X_test)

6. 评估模型：可以使用如均方误差(MSE), R^2分数等指标评估模型的性能。

from sklearn.metrics import mean_squared_error, r2_score
mse = mean_squared_error(y_test, predictions)
r2 = r2_score(y_test, predictions)