python与人工智能

# 示例代码：使用Python和scikit-learn库进行简单的线性回归（人工智能中的基础机器学习算法）

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

# 创建一些示例数据
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)

# 将数据分为训练集和测试集
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
lin_reg = LinearRegression()

# 训练模型
lin_reg.fit(X_train, y_train)

# 预测
y_pred = lin_reg.predict(X_test)

# 可视化结果
plt.scatter(X_test, y_test, color='black', label="Actual")
plt.plot(X_test, y_pred, color='blue', linewidth=3, label="Predicted")
plt.xlabel('X')
plt.ylabel('y')
plt.title('Linear Regression Example')
plt.legend()
plt.show()

# 解释说明：
# 1. 我们首先导入了必要的库，包括numpy用于数值计算，scikit-learn用于机器学习，matplotlib用于绘图。
# 2. 然后我们生成了一些随机数据作为示例数据，并将其分为训练集和测试集。
# 3. 接着创建了一个线性回归模型，并用训练数据对其进行训练。
# 4. 最后，我们用测试数据进行了预测，并将实际值与预测值进行了可视化比较。

如果你需要更多关于Python和人工智能的代码示例，请告诉我！