Python 中sklearn 的linear-model的用法

sklearn 中的 linear-model 模块提供了许多线性模型的实现，包括最基本的线性回归模型。下面是一个简单的线性回归模型的例子：

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 构造训练数据
X_train = [[1], [2], [3], [4], [5]]
y_train = [[2], [4], [6], [8], [10]]

# 创建模型并进行训练
model = LinearRegression()
model.fit(X_train, y_train)

# 构造测试数据
X_test = [[6], [7], [8], [9], [10]]
y_test = [[12], [14], [16], [18], [20]]

# 进行测试并输出结果
y_pred = model.predict(X_test)
print("Mean squared error: %.2f" % mean_squared_error(y_test, y_pred))
print("Predicted values: ", y_pred)

上面的例子中，我们首先构造了训练数据和测试数据，然后创建了一个 LinearRegression 的模型，并使用 fit 方法进行训练。最后，我们使用 predict 方法在测试数据上进行预测，并使用 mean_squared_error 计算了预测结果和真实结果之间的平均方差。