python线性回归代码

线性回归是一种用于建立变量之间线性关系的统计模型。在Python中，我们可以使用scikit-learn库来实现线性回归模型的建立和训练。

我们需要导入所需的库和模块。在这个例子中，我们将导入numpy用于数值计算，matplotlib用于数据可视化，以及sklearn.linear_model中的LinearRegression模块用于实现线性回归。

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

接下来，我们需要准备一些用于训练的数据。在这个示例中，我们将使用一个简单的二维数据集，其中包含了自变量x和因变量y的取值。

x = np.array([1, 2, 3, 4, 5]).reshape((-1, 1))
y = np.array([2, 3, 4, 5, 6])

在这个例子中，x是一个一维数组，我们需要使用reshape函数将其转换为二维数组。这是因为scikit-learn库中的线性回归模型要求自变量是一个二维数组。

接下来，我们可以创建一个线性回归模型，并使用训练数据对其进行训练。

model = LinearRegression()
model.fit(x, y)

在这个例子中，我们创建了一个名为model的线性回归模型，并使用fit函数对其进行训练。fit函数接受两个参数，第一个参数是自变量x的值，第二个参数是因变量y的值。

训练完成后，我们可以使用训练好的模型对新的数据进行预测。在这个例子中，我们将使用训练数据中的自变量x来预测因变量y的值。

y_pred = model.predict(x)

在这个例子中，我们使用predict函数对模型进行预测。predict函数接受一个参数，即待预测的自变量x的值，并返回对应的因变量y的预测值。

我们可以使用matplotlib库将训练数据和预测结果可视化。

plt.scatter(x, y, color='blue')
plt.plot(x, y_pred, color='red')
plt.show()

在这个例子中，我们使用scatter函数绘制了训练数据的散点图，并使用plot函数绘制了预测结果的曲线。我们使用show函数显示图形。

通过以上步骤，我们完成了一个简单的线性回归模型的建立和训练，并对新的数据进行了预测和可视化展示。线性回归模型是一种常用的统计模型，在实际应用中具有广泛的应用。通过使用Python和相关的库和模块，我们可以方便地实现线性回归模型的建立和训练，并对数据进行预测和可视化展示。