写一段二元线性回归的代码

二元线性回归是一种统计方法，用于研究两个变量之间的线性关系，并尝试构建一个模型来描述这种关系。在机器学习和数据分析中，它是一种常见的回归分析方法。以下是使用Python中的`scikit-learn`库进行二元线性回归的一个简单示例：

import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

# 假设我们有一些数据
# X是特征变量（二维数组），y是目标变量
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10]])
y = np.array([1, 2, 3, 4, 5])

# 创建线性回归模型实例
model = LinearRegression()

# 使用数据拟合模型
model.fit(X, y)

# 打印出模型的斜率（系数）和截距
print('斜率（系数）:', model.coef_)
print('截距:', model.intercept_)

# 使用模型进行预测
y_pred = model.predict(X)

# 绘制原始数据和拟合的线
plt.scatter(X[:, 0], y, color='blue', label='实际数据')
plt.plot(X[:, 0], y_pred, color='red', label='拟合线')
plt.xlabel('X轴特征')
plt.ylabel('目标变量')
plt.legend()
plt.show()

在这个例子中，我们首先创建了一些随机数据作为输入特征`X`和目标变量`y`。然后，我们实例化了`LinearRegression`模型，并用我们的数据拟合它。模型拟合之后，我们打印出了模型的斜率（系数）和截距，这些参数定义了二元线性回归模型。最后，我们使用模型对原始数据进行预测，并绘制了实际数据点和拟合的线性模型。

请注意，为了运行这段代码，你需要在你的环境中安装`numpy`和`scikit-learn`库。