编写python代码，通过complete_train_samples.csv搭建，，训练线性回归模型，KNN模型，利用XA，XB预测Y

首先，让我们假设你有一个名为`complete_train_samples.csv`的数据文件，其中包含特征列(XA, XB)和目标变量(Y)。为了使用Python进行训练并预测，你可以按照以下步骤操作：

1. 导入所需的库：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.neighbors import KNeighborsRegressor
from sklearn.metrics import mean_squared_error

2. 加载数据：

df = pd.read_csv('complete_train_samples.csv')
X = df[['XA', 'XB']]  # 特征列
y = df['Y']  # 目标变量

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. 训练线性回归模型：

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

# 预测线性回归结果
y_pred_lr = lr_model.predict(X_test)

5. 训练KNN模型：

knn_model = KNeighborsRegressor(n_neighbors=5)  # 使用默认的邻居数
knn_model.fit(X_train, y_train)

# 预测KNN结果
y_pred_knn = knn_model.predict(X_test)

6. 结果评估：

print(f"Linear Regression MSE: {mean_squared_error(y_test, y_pred_lr)}")
print(f"KNN MSE: {mean_squared_error(y_test, y_pred_knn)}")

现在你已经分别训练了线性回归和KNN模型，并进行了预测。如果你需要使用新的数据（XA, XB）进行预测，只需将这部分替换为实际的新数据即可。