### 理解机器学习原理的简单有趣代码示例 下面提供了一个基于 Scikit-learn 的简单线性回归模型的例子。该例子展示了如何利用 Python 实现一个基本的机器学习任务，即预测房屋价格。此代码不仅有助于理解线性回归的核心思想，还能够直观地看到输入特征与目标变量之间的关系。 #### 数据准备与加载 为了简化问题，这里使用了人工生成的数据集来模拟房价与其面积的关系： ```python import numpy as np from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression import matplotlib.pyplot as plt # 生成虚拟数据：假设房子的价格由其面积决定 np.random.seed(0) # 设置随机种子以便结果可重复 X = 2 * np.random.rand(100, 1) # 房屋面积 (单位: 千平方米) y = 4 + 3 * X + np.random.randn(100, 1) # 房价 (单位: 百万元)，加入噪声项 # 将数据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) print(f"训练样本数量: {len(X_train)}, 测试样本数量: {len(X_test)}") ``` #### 构建并训练模型 接下来创建一个 `LinearRegression` 对象，并将其拟合到训练数据上： ```python # 创建线性回归模型实例 lin_reg = LinearRegression() # 使用训练数据拟合模型 lin_reg.fit(X_train, y_train.ravel()) # 输出模型参数 print(f"截距 b: {lin_reg.intercept_:.2f}") # 模型截距 print(f"斜率 w: {lin_reg.coef_[0]:.2f}") # 特征权重 ``` #### 预测与可视化 最后，在测试集中验证模型的表现，并绘制出拟合直线以及原始数据点分布情况： ```python # 利用测试数据进行预测 y_pred = lin_reg.predict(X_test) # 可视化结果 plt.scatter(X, y, color="blue", label="真实值") # 所有数据点 plt.plot(X_test, y_pred, color="red", linewidth=2, label="预测值") # 拟合曲线 plt.xlabel("房屋面积 (千平方米)") plt.ylabel("房价 (百万元)") plt.legend() plt.show() ``` 以上代码片段清晰地展现了从数据准备、模型构建到最终可视化的整个流程[^1]。通过调整超参数或者尝试其他类型的回归算法（如多项式回归），可以进一步探索不同模型的效果差异[^3]。 ###