用python代码构建交通事故率的线性回归模型

以下是一个用Python代码构建交通事故率的线性回归模型的例子：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 读取数据
df = pd.read_csv('accidents.csv')

# 数据清洗
df = df.dropna() # 删除缺失值

# 提取特征和标签
X = df[['population', 'income', 'age']] # 特征
y = df['accidents'] # 标签

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 创建线性回归模型
regressor = LinearRegression()
regressor.fit(X_train, y_train)

# 输出模型参数
print('Coefficients: ', regressor.coef_)
print('Intercept: ', regressor.intercept_)

# 预测测试集结果
y_pred = regressor.predict(X_test)

# 绘制散点图和回归线
plt.scatter(X_test['population'], y_test, color='black')
plt.plot(X_test['population'], y_pred, color='blue', linewidth=3)
plt.xlabel('Population')
plt.ylabel('Accidents')
plt.show()

这个例子使用了`pandas`库来读取和清洗数据，使用了`sklearn`库来创建和训练线性回归模型，使用了`matplotlib`库来绘制散点图和回归线。在代码中，我们将人口、收入和年龄作为特征，将事故率作为标签，然后使用训练集来训练模型，最后使用测试集来评估模型的性能。我们还绘制了一个散点图和回归线，以可视化模型的预测结果。