python 线性回归

# 导入必要的库
import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

# 创建一些示例数据
# X 是特征变量，y 是目标变量
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([2, 4, 6, 8, 10])

# 创建线性回归模型对象
model = LinearRegression()

# 拟合模型
model.fit(X, y)

# 打印模型的参数
print(f"截距 (b): {model.intercept_}")
print(f"斜率 (w): {model.coef_[0]}")

# 使用模型进行预测
X_test = np.array([[6], [7], [8]])
predictions = model.predict(X_test)
print(f"预测值: {predictions}")

# 可视化结果
plt.scatter(X, y, color='blue', label='原始数据')
plt.plot(X, model.predict(X), color='red', label='拟合线')
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.show()

解释说明：

1. 导入库：我们使用 numpy 来处理数组和矩阵运算，sklearn 中的 LinearRegression 来实现线性回归模型，matplotlib 来可视化结果。
2. 创建示例数据：我们创建了一个简单的线性关系数据集，其中 X 是输入特征，y 是输出目标。
3. 创建并拟合模型：我们实例化了一个 LinearRegression 对象，并使用 fit 方法来训练模型。
4. 打印模型参数：模型训练完成后，我们可以查看截距（intercept_）和斜率（coef_）。
5. 预测新数据：我们使用训练好的模型对新的输入数据进行预测。
6. 可视化：最后，我们用 matplotlib 绘制了原始数据点和拟合的回归线，以便直观地看到模型的效果。