scikit-learn线性回归
python人工智能 scikit-learn线性回归: 用 scikit-learn 实现一个 线性回归 任务，代码方案分享
程序背景与用途：
本程序旨在使用scikit-learn库实现一个简单的线性回归任务。线性回归是一种广泛应用于预测和建模的机器学习算法。它通过拟合一个线性模型来预测自变量和因变量之间的关系。在本例中，我们将使用一个示例数据集，其中包含了一些房屋的特征（如房间数量、面积等），以及相应的房价作为标签。我们的目标是训练一个线性回归模型，以便预测给定房屋特征时的房价。
代码结构：
- 导入所需的库和模块
- 准备数据
- 拟合线性回归模型
- 进行预测
- 评估模型性能
代码解释：
以下是实现线性回归任务的代码示例：
# 1. 导入所需的库和模块
import numpy as np
from sklearn.linear_model import LinearRegression
# 2. 准备数据
# 示例数据集
X = np.array([[1, 3], [2, 5], [3, 7], [4, 9]]) # 特征
y = np.array([6, 8, 10, 12]) # 标签
# 3. 拟合线性回归模型
model = LinearRegression() # 创建线性回归模型对象
model.fit(X, y) # 拟合模型
# 4. 进行预测
new_data = np.array([[5, 11], [6, 13]]) # 新的待预测数据
predicted = model.predict(new_data) # 预测房价
# 5. 评估模型性能
score = model.score(X, y) # 模型拟合得分
# 打印预测结果和模型评分
print("预测结果:", predicted)
print("模型得分:", score)
在上述代码中，我们首先导入了所需的库和模块，包括NumPy和scikit-learn中的LinearRegression类。然后我们准备了示例数据集，其中X是特征矩阵，y是对应的标签向量。
接下来，我们创建了一个线性回归模型对象model，然后使用fit()方法拟合模型，将特征矩阵X和标签向量y作为输入。这样，模型就能学习特征和标签之间的线性关系。
然后，我们定义了一个新的待预测数据new_data，并使用predict()方法对其进行预测，得到预测结果predicted。
最后，我们使用score()方法评估模型的性能，得到模型的拟合得分score。拟合得分是指模型对训练数据的拟合程度，得分越高表示模型拟合得越好。
最后，我们打印了预测结果和模型得分。
注意：以上代码示例中的数据和特征仅用作演示目的，请根据实际情况进行相应更改。
