线性回归是机器学习中的一种基本算法，用于预测连续值。以下是一个使用 Python 实现线性回归的示例。
数据准备
首先，我们需要准备一些数据。以下是一个简单的数据集，其中包含自变量 ( x ) 和因变量 ( y )。
| x | y |
|---|---|
| 1 | 2 |
| 2 | 4 |
| 3 | 6 |
| 4 | 8 |
| 5 | 10 |
代码实现
以下是一个使用 Python 和 Jupyter Notebook 实现线性回归的示例。
# 导入必要的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
# 创建数据集
x = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([2, 4, 6, 8, 10])
# 创建线性回归模型
model = LinearRegression()
# 训练模型
model.fit(x, y)
# 预测
y_pred = model.predict(x)
# 绘制结果
plt.scatter(x, y, color='blue')
plt.plot(x, y_pred, color='red')
plt.xlabel('x')
plt.ylabel('y')
plt.title('线性回归')
plt.show()
结果分析
运行上述代码后，我们可以看到一条红色的线，它代表了线性回归模型的预测结果。从图中可以看出，模型很好地拟合了数据。
线性回归结果图
扩展阅读
如果您想了解更多关于线性回归的信息，可以参考以下链接：
希望这个示例能帮助您更好地理解线性回归。