能否提供一个关于机器学习中线性回归的Python实验代码示例？

当然可以。这里是一个简单的线性回归 Python 示例，使用 scikit-learn 库：

# 导入必要的库
import numpy as np
from sklearn.model_selection import train_test_split 
from sklearn.linear_model import LinearRegression
from sklearn import metrics

# 假设我们有一个简单的二维数据集
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([2, 3.5, 5, 4.5, 6])

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 创建并训练线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测测试集的结果
y_pred = model.predict(X_test)

# 计算模型的性能指标
print('Mean Absolute Error:', metrics.mean_absolute_error(y_test, y_pred))
print('Mean Squared Error:', metrics.mean_squared_error(y_test, y_pred))
print('Root Mean Squared Error:', np.sqrt(metrics.mean_squared_error(y_test, y_pred)))

# 打印模型的系数和截距
print("Coefficient:", model.coef_)
print("Intercept:", model.intercept_)

这个例子展示了如何使用 scikit-learn 的线性回归功能从简单数据开始，并计算预测性能。