用python对C盘导入的数据集实现线性回归，训练和预测，评估模型的拟合能力获得训练数据和标记的完整代码

在Python中，我们可以使用scikit-learn库来实现C盘中的数据集的线性回归。首先，确保你已经安装了所需的库，如果没有，可以使用pip安装：

pip install numpy pandas scikit-learn matplotlib

假设你的数据集是一个CSV文件，包含两列数据（一列自变量X，一列因变量y），你可以按照以下步骤操作：

1. 导入必要的库：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
import matplotlib.pyplot as plt

2. 加载并预处理数据：

# 将C盘路径替换为你实际的数据集路径
data_path = 'C:/path/to/your/dataset.csv'

# 加载数据
df = pd.read_csv(data_path)
X = df.iloc[:, :-1].values  # 特征数据
y = df.iloc[:, -1].values   # 目标值

# 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)

3. 训练线性回归模型：

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

4. 预测并评估模型：

y_pred = model.predict(X_test)

mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print(f"Mean Squared Error (MSE): {mse}")
print(f"R^2 Score (Coefficient of Determination): {r2}")

5. 可视化结果：

plt.scatter(X_test, y_test, color='blue')
plt.plot(X_test, y_pred, color='red', linewidth=2)
plt.xlabel('Feature')
plt.ylabel('Target')
plt.title('Linear Regression Visualization')
plt.show()