你根据我的代码修改完善一下

好的，我根据您的代码进行修改：

1. 首先，您的代码中读取数据时，输出变量 y 的取值与输入变量 X 的取值相同，这是有问题的，因为输出变量应该是与输入变量不同的一个变量。因此，需要修改以下代码：

X = data.iloc[:, 0:4].values
y = data.iloc[:, 4].values

其中，4 表示输出变量所在的列号，根据您的数据情况可能需要修改。

2. 其次，您的代码中使用了 LinearRegression() 线性回归模型进行拟合，但是该模型可能会存在过拟合的问题。因此，可以尝试使用正则化方法，如 Ridge() 或 Lasso()，来减少过拟合的问题。修改如下：

from sklearn.linear_model import Ridge

# 创建岭回归模型
model = Ridge(alpha=0.1)

# 拟合模型
model.fit(X, y)

其中，alpha 是正则化项的系数，可以根据实际情况进行调整。

3. 另外，您的代码中没有进行数据预处理和特征工程，这可能会影响模型的预测能力。可以尝试对数据进行标准化处理，以及添加更多的特征或进行特征组合和选择等操作。修改如下：

from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import PolynomialFeatures
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import f_regression

# 标准化处理
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 添加多项式特征
poly = PolynomialFeatures(degree=2, include_bias=False)
X = poly.fit_transform(X)

# 特征选择
selector = SelectKBest(f_regression, k=3)
X = selector.fit_transform(X, y)

其中，StandardScaler() 对数据进行标准化处理，PolynomialFeatures() 可以添加多项式特征，SelectKBest() 可以进行特征选择，f_regression 是特征选择的方法，k 是选择的特征数目。

4. 最后，您的代码中使用了相同的数据进行拟合和预测，这可能会导致模型的预测效果不准确。可以将数据分为训练集和测试集，使用训练集进行模型的拟合，使用测试集进行模型的评估。修改如下：

from sklearn.model_selection import train_test_split

# 将数据分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 创建岭回归模型
model = Ridge(alpha=0.1)

# 拟合模型
model.fit(X_train, y_train)

# 使用模型进行预测
y_pred = model.predict(X_test)

# 将预测结果四舍五入取整
y_pred = np.round(y_pred)

# 去除重复行
y_pred = np.unique(y_pred, axis=0)

# 打印预测结果
print(y_pred)

其中，train_test_split() 可以将数据分为训练集和测试集，test_size 表示测试集占总数据的比例，random_state 是随机种子，保证每次运行结果相同。拟合模型和预测结果的代码也做了相应修改。