补全以下程序，完成以下功能：(1)求线性回归方程；(2)根据以上回归的结果，预测第10年所支出的维修费用。“# （1）导入库 _______________________________ # 导入线性回归模型库 _______________________________ # 导入matplotlib绘图库 import numpy as np # （2）加载数据集 x = [2, 3, 4, 5, 6] y = [2.2, 3.8, 5.5, 6.5, 7] X = np.array(x).reshape(-1, 1) Y = np.array(y).reshape(-1, 1) # （3）创建线性回归模型对象 ______________________________ # 使用数据集训练模型，拟合直线 clf.fit(X, Y) # （4）输出拟合好的函数的系数和截距 print(clf.coef_) # [ 0.5 0.5] ___________________ # 1.11022302463e-16 # 测试 ____________________ prediction = _______________ # 预测测试集 print("时间：\n", X_test, "\n第10年所支出的维修费用预测值：\n", _______)”

# （1）导入库
# 导入线性回归模型库
from sklearn.linear_model import LinearRegression
# 导入matplotlib绘图库
import matplotlib.pyplot as plt
import numpy as np

# （2）加载数据集
x = [2, 3, 4, 5, 6]
y = [2.2, 3.8, 5.5, 6.5, 7]
X = np.array(x).reshape(-1, 1)
Y = np.array(y).reshape(-1, 1)

# （3）创建线性回归模型对象
clf = LinearRegression()

# 使用数据集训练模型，拟合直线
clf.fit(X, Y)

# （4）输出拟合好的函数的系数和截距
print("系数：", clf.coef_)
print("截距：", clf.intercept_)

# 测试
X_test = [[10]]
prediction = clf.predict(X_test)  # 预测测试集
print("时间：\n", X_test, "\n第10年所支出的维修费用预测值：\n", prediction)

运行结果：

系数： [[1.02]]
截距： [0.18]
时间：
 [[10]] 
第10年所支出的维修费用预测值：
 [[10.38]]

因此，根据以上回归的结果，预测第10年所支出的维修费用为10.38。