scikit-learn回归实例

好的，以下是 scikit-learn 中一个简单的线性回归实例：

from sklearn.linear_model import LinearRegression
import numpy as np

# 生成一些随机数据
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)

# 使用线性回归模型进行拟合
lin_reg = LinearRegression()
lin_reg.fit(X, y)

# 输出模型参数
print("Intercept:", lin_reg.intercept_)
print("Coefficient:", lin_reg.coef_)

# 使用模型进行预测
X_new = np.array([[0], [2]])
y_new = lin_reg.predict(X_new)
print("Predictions:", y_new)

在这个例子中，我们使用 `np.random.rand()` 生成了一个随机的 100 行 1 列的数据集 `X`，然后使用一些系数和噪声生成了对应的目标值 `y`。

接着，我们使用 `LinearRegression()` 创建了一个线性回归模型，并使用 `fit()` 方法进行拟合。然后，我们输出了模型的截距和系数。

最后，我们使用 `predict()` 方法进行预测，传入一些新的数据点 `X_new`，并输出预测结果 `y_new`。

这个例子只是一个简单的线性回归实例，scikit-learn 还支持许多其他回归算法和功能，例如岭回归、Lasso 回归、多项式回归、交叉验证等等。