自定义数据集使用scikit-learn中的包实现线性回归方法对其进行拟合

代码

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

# 自定义数据集
data = np.array([
    [0.8, 1.0],
    [1.7, 0.9],
    [2.7, 2.4],
    [3.2, 2.9],
    [3.7, 2.8],
    [4.2, 3.8],
    [4.2, 2.7]
])

# 提取特征(X)和目标值(y)
X = data[:, 0].reshape(-1, 1)  # 特征值（二维数组）
y = data[:, 1]  # 目标值

# 创建并训练线性回归模型
model = LinearRegression()
model.fit(X, y)

# 生成预测值
y_pred = model.predict(X)

# 可视化数据和拟合结果

plt.figure('show figure')
plt.xlim(0, 5)
plt.ylim(0, 5)

# 绘制原始数据点
plt.scatter(X, y, color='blue')

# 绘制回归直线
plt.plot(X, y_pred, color='red')

# 添加标题和标签
plt.xlabel("X")
plt.ylabel("y")

# 显示图例
plt.legend()

# 显示图形
plt.show()

实验结果