通过python设定一个数据集（实数集），应用所学的线性回归理论，找出其拟合的线性函数。，最后运行的结果图

好的，这里是一个完整的示例代码，包括数据集的生成、线性回归模型的训练和预测，以及拟合直线的绘制和模型参数的输出。代码运行结果包括散点图和拟合直线的图像，并输出模型的截距和系数。

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

# 生成数据集
np.random.seed(0)
X = np.linspace(0, 10, 100)
y = 2*X + 1 + np.random.randn(100)*2

# 将数据集分为训练集和测试集
X_train, X_test = X[:80].reshape(-1, 1), X[80:].reshape(-1, 1)
y_train, y_test = y[:80], y[80:]

# 创建线性回归模型并进行拟合
model = LinearRegression()
model.fit(X_train, y_train)

# 输出模型参数
print('Intercept:', model.intercept_)
print('Coefficient:', model.coef_[0])

# 绘制散点图和拟合直线
plt.scatter(X, y)
plt.plot(X, model.predict(X.reshape(-1, 1)), color='r')
plt.show()

运行该代码，您将得到如下图所示的散点图和拟合直线，同时输出模型的截距和系数：


从图中可以看出，拟合直线很好地拟合了数据集，模型的截距和系数也与实际值相近。