### 使用Python实现线性回归分析 要使用 Python 实现线性回归分析，可以按照以下方式构建模型并完成数据拟合。以下是详细的说明： #### 数据准备阶段 在进行线性回归之前，需要准备好输入变量 `X` 和目标变量 `y` 的数据集。通常情况下，这些数据可以从文件读取或者手动定义。 ```python import numpy as np # 科学计算包 [^1] from sklearn.model_selection import train_test_split # 划分训练集和测试集 [^3] # 假设我们有如下数据 X = np.array([[1], [2], [3], [4], [5]]) # 输入特征 (n_samples, n_features) y = np.array([2, 4, 6, 8, 10]) # 输出标签 # 将数据划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) ``` --- #### 构建线性回归模型 通过导入 Scikit-Learn 库中的 `LinearRegression` 类来创建线性回归模型实例，并调用其 `.fit()` 方法完成模型训练。 ```python from sklearn.linear_model import LinearRegression # 线性回归模型 [^2] model = LinearRegression() # 创建线性回归对象 model.fit(X_train, y_train) # 训练模型 ``` 在此过程中，模型会自动估计最佳参数（截距项 α 和斜率 β），使得误差平方和最小化。 --- #### 模型评估与可视化 为了验证模型性能，可以通过 `.score()` 函数获取 R² 分数；同时也可以利用 Matplotlib 绘制实际值与预测值之间的关系图。 ```python import matplotlib.pyplot as plt # 可视化工具 [^3] # 获取R²分数 r_squared = model.score(X_test, y_test) print(f"模型的R²得分: {r_squared}") # 进行预测 predictions = model.predict(X) # 绘制图像 plt.scatter(X, y, color='blue', label="真实值") # 散点表示原始数据 plt.plot(X, predictions, color='red', linewidth=2, label="回归线") # 回归直线 plt.xlabel("自变量 X") plt.ylabel("因变量 Y") plt.legend() plt.title("线性回归模型拟合效果") plt.show() ``` 以上代码实现了完整的线性回归流程：从加载数据到划分训练/测试集合、再到模型训练与结果展示。 --- #### 完整代码示例 下面是一个综合性的例子，展示了如何一步步完成整个过程： ```python import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression # 数据生成 np.random.seed(0) X = 2 * np.random.rand(100, 1) # 自变量范围为[0,2] y = 4 + 3 * X + np.random.randn(100, 1) # 添加噪声的目标变量 # 数据分割 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 模型初始化与训练 model = LinearRegression() model.fit(X_train, y_train.ravel()) # 结果打印 print(f"截距α={model.intercept_}, 斜率β={model.coef_[0]}") # 测试集上的表现 r_squared = model.score(X_test, y_test) print(f"模型的R²得分: {r_squared:.2f}") # 图像绘制 ypred = model.predict(X) plt.scatter(X, y, c='b', marker='o', s=30, edgecolors='k', label="样本点") plt.plot(X, ypred, 'r-', lw=2, label="回归曲线") plt.legend(loc="upper left") plt.xlabel("X轴") plt.ylabel("Y轴") plt.grid(True) plt.show() ``` 此脚本不仅完成了基本功能，还加入了随机种子设置以便于重复实验以及更美观的数据呈现形式。 ---