简单Python线性回归实例

当前位置:

首页 > Python基础教程 >

简单Python线性回归实例

本章就介绍一个简单的Python线性回归实例，我们将使用`scikit-learn`库来实现首先，确保你已经安装了`scikit-learn`库。如果没有安装，可以通过pip进行安装：

pip install scikit-learn

然后，你可以使用以下代码进行线性回归：

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

# 创建一个简单的线性数据集
np.random.seed(0)
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建线性回归模型
regressor = LinearRegression()

# 使用训练数据拟合模型
regressor.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = regressor.predict(X_test)

# 评估模型性能
print('Mean Absolute Error:', metrics.mean_absolute_error(y_test, y_pred))
print('Mean Squared Error:', metrics.mean_squared_error(y_test, y_pred))
print('Root Mean Squared Error:', np.sqrt(metrics.mean_squared_error(y_test, y_pred)))

# 输出模型的系数和截距
print('Coefficients: ', regressor.coef_)
print('Intercept: ', regressor.intercept_)

# 可视化结果
plt.scatter(X_test, y_test, color='gray')
plt.plot(X_test, y_pred, color='red', linewidth=2)
plt.show()

这个示例中，我们首先创建了一个简单的线性数据集，并将其划分为训练集和测试集。然后，我们创建了一个`LinearRegression`对象，并使用训练数据对其进行拟合。接着，我们在测试集上进行预测，并计算了一些评估指标来评估模型的性能。最后，我们输出了模型的系数和截距，并使用matplotlib库可视化了结果。

最后，如果你对vb.net语言还有任何疑问或者需要进一步的帮助，请访问https://www.xin3721.com 本站原创，转载请注明出处：https://www.xin3721.com/Python/python49317.html

栏目列表