【scikit-learn】scikit-learn的线性回归模型

scikit-learn是一个广泛使用的机器学习库，其中包括了多种回归模型，包括线性回归模型。

线性回归是一种用于建立与预测连续变量之间关系的机器学习方法。在scikit-learn中，可以使用LinearRegression类来实现线性回归模型。

下面是一个简单的例子，演示如何使用scikit-learn中的线性回归模型：

from sklearn.linear_model import LinearRegression
import numpy as np

# 创建数据集
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
y = np.dot(X, np.array([1, 2])) + 3

# 训练模型
model = LinearRegression().fit(X, y)

# 打印模型参数
print('Coefficients: ', model.coef_)
print('Intercept: ', model.intercept_)

# 预测值
X_test = np.array([[3, 5]])
y_pred = model.predict(X_test)
print('Predicted value: ', y_pred)

在这个例子中，我们首先创建了一个数据集，然后使用LinearRegression类拟合了模型。我们打印了模型的系数和截距，然后使用模型预测了一个新值。

需要注意的是，如果您的数据集包含多个特征，您需要将它们作为一个二维数组传递给LinearRegression类。

在实际应用中，您可能需要使用更复杂的模型来拟合您的数据。scikit-learn包含了许多其他的回归模型，您可以根据您的需求选择适合的模型。