简单线性回归模型是一种用于预测两个连续变量之间关系的统计方法，其目标是找到一条最佳拟合直线 $ y = ax + b $，其中 $ a $ 是斜率，$ b $ 是截距。在 Python 中，可以通过多种方式实现该模型，包括使用 `numpy` 进行数学计算或利用 `scikit-learn` 库中的线性回归工具。 以下是一个基于 `numpy` 的最小二乘法实现示例： ```python import numpy as np import matplotlib.pyplot as plt # 示例数据集 x = np.array([1, 2, 3, 4, 5]) y = np.array([2.1, 3.9, 6.1, 7.9, 9.8]) # 计算斜率 a 和截距 b n = len(x) a = (n * np.sum(x * y) - np.sum(x) * np.sum(y)) / (n * np.sum(x**2) - np.sum(x)**2) b = (np.sum(y) - a * np.sum(x)) / n # 打印参数 print(f"斜率 a: {a}") print(f"截距 b: {b}") # 绘制散点图和回归线 plt.scatter(x, y, color='blue', label='数据点') plt.plot(x, a * x + b, color='red', label='回归线') plt.title('简单线性回归') plt.xlabel('x') plt.ylabel('y') plt.legend() plt.show() ``` 此外，也可以使用 `scikit-learn` 来构建简单线性回归模型，这通常更适用于后续扩展到多元线性回归或多步骤数据分析： ```python from sklearn.linear_model import LinearRegression import numpy as np import matplotlib.pyplot as plt # 数据准备 x = np.array([[1], [2], [3], [4], [5]]) y = np.array([2.1, 3.9, 6.1, 7.9, 9.8]) # 创建并训练模型 model = LinearRegression() model.fit(x, y) # 获取斜率和截距 a = model.coef_[0] b = model.intercept_ # 打印参数 print(f"斜率 a: {a}") print(f"截距 b: {b}") # 预测 y_pred = model.predict(x) # 绘制结果 plt.scatter(x, y, color='blue', label='数据点') plt.plot(x, y_pred, color='red', label='回归线') plt.title('简单线性回归（scikit-learn）') plt.xlabel('x') plt.ylabel('y') plt.legend() plt.show() ``` 上述代码分别展示了两种常见的实现方式：一种是通过手动实现最小二乘法[^1]，另一种是使用 `scikit-learn` 提供的线性回归类[^2]。这些方法都可以有效地求解线性回归问题，并且能够可视化模型效果。