线性回归 sklearn 代码

以下是使用sklearn进行线性回归的代码示例：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# 生成数据
x_data = np.linspace(-0.5, 0.5, 200)
noise = np.random.normal(0, 0.02, x_data.shape)
y_data = np.square(x_data) + noise

# 创建线性回归模型
model = LinearRegression()

# 拟合数据
model.fit(x_data.reshape(-1, 1), y_data)

# 预测
y_pred = model.predict(x_data.reshape(-1, 1))

# 绘制散点图和回归线
plt.scatter(x_data, y_data)
plt.plot(x_data, y_pred, color='red')
plt.show()

这段代码首先导入了必要的库，然后生成了一组带有噪声的数据。接下来，创建了一个线性回归模型，并使用`fit`方法拟合数据。最后，使用模型进行预测，并绘制出散点图和回归线。
#### 引用[.reference_title]
- *1* [线性回归的sklearn代码实现](https://blog.csdn.net/LOLUN9/article/details/105718425)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
- *2* *3* [机器学习之Python Sklearn——线性回归](https://blog.csdn.net/ljinddlj/article/details/125087428)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]