### 工龄与平均工资的线性回归分析 以下是基于 Python 的线性回归模型代码，用于分析工龄与平均工资的关系。此代码可在 Jupyter Notebook 中运行，并附有详细的注释以便理解。 ```python # 导入必要的库 import numpy as np # 数组操作工具 import pandas as pd # 数据处理工具 from sklearn.model_selection import train_test_split # 划分训练集和测试集 from sklearn.linear_model import LinearRegression # 线性回归模型 import matplotlib.pyplot as plt # 可视化工具 # 创建虚拟数据集 (假设我们有一份包含工龄和服务年限的数据) data = { 'YearsExperience': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10], # 员工的服务年限 'Salary': [40000, 45000, 50000, 60000, 65000, 70000, 75000, 80000, 90000, 100000] # 对应的薪资水平 } df = pd.DataFrame(data) # 将特征变量和目标变量分开 X = df[['YearsExperience']] # 自变量：服务年限 y = df['Salary'] # 因变量：薪资 # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 初始化并拟合线性回归模型 model = LinearRegression() model.fit(X_train, y_train) # 输出模型参数 print(f'斜率: {model.coef_[0]}') print(f'截距: {model.intercept_}') # 预测测试集的结果 y_pred = model.predict(X_test) # 绘制散点图以及回归直线 plt.scatter(df['YearsExperience'], df['Salary'], color='blue', label='实际数据') plt.plot(df['YearsExperience'], model.predict(df[['YearsExperience']]), color='red', linewidth=2, label='回归预测') plt.title('工龄 vs 平均工资') plt.xlabel('工龄 (年)') plt.ylabel('平均工资 ($)') plt.legend() plt.show() # 计算模型性能指标 R² r_squared = model.score(X_test, y_test) print(f'R² 值: {r_squared}') ``` 上述代码实现了完整的线性回归流程，包括创建虚拟数据、划分训练集和测试集、构建模型、可视化结果以及评估模型性能[^1]。 #### 关于在 Jupyter Notebook 上稳定运行长时间任务 如果遇到因关闭浏览器或笔记本电脑盖而导致的任务中断问题，建议通过 tmux 或 screen 在远程服务器（如 AWS EC2 实例）上保持会话持续运行[^2]。这样即使本地设备断开连接，计算仍将继续执行。