线性回归 python代码

下面是一个线性回归模型的 Python 代码示例：

import numpy as np
from sklearn.linear_model import LinearRegression

# 训练数据
x = np.array([[1], [2], [3], [4], [5]])
y = np.array([5, 7, 9, 11, 13])

# 建立模型
reg = LinearRegression().fit(x, y)

# 预测
reg.predict(np.array([[6]]))

这段代码使用了 NumPy 和 scikit-learn 库。首先，它导入了这两个库，然后使用训练数据训练了一个线性回归模型，最后使用该模型进行预测。

相关问题

线性回归python代码

以下是一个简单的线性回归Python代码示例：

import numpy as np
from sklearn.linear_model import LinearRegression

# 构造数据
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
y = np.dot(X, np.array([1, 2])) + 3

# 创建线性回归模型
reg = LinearRegression().fit(X, y)

# 预测新数据
print(reg.predict(np.array([[3, 5]])))

这个代码使用了NumPy和scikit-learn库来实现线性回归。首先，我们构造了一个包含4个样本的数据集X和对应的目标变量y。然后，我们使用LinearRegression类来拟合这个数据集，并使用predict方法来预测新的数据。

线性回归python代码实现

以下是一个简单的线性回归 Python 代码实现：

import numpy as np

class LinearRegression:
    def __init__(self):
        self.w = None

    def fit(self, X, y):
        X = np.insert(X, 0, 1, axis=1)
        self.w = np.linalg.inv(X.T.dot(X)).dot(X.T).dot(y)

    def predict(self, X):
        X = np.insert(X, 0, 1, axis=1)
        return X.dot(self.w)

其中，`fit` 方法用于训练模型，`predict` 方法用于预测。`X` 和 `y` 分别是训练数据的特征和标签，`w` 是模型的参数。在 `fit` 方法中，我们首先在 `X` 的第一列插入一列全为 1 的向量，然后使用最小二乘法求解参数 `w`。在 `predict` 方法中，我们同样在 `X` 的第一列插入一列全为 1 的向量，然后使用求解得到的参数 `w` 进行预测。