好的，下面是一个简单的例子，展示如何创建一个包含学生年龄和身高的数据集，并使用这个数据集训练一个线性回归模型。我们将使用Python以及常用的机器学习库`scikit-learn`。 ### 步骤 1: 创建简单数据集 首先我们需要构建一些虚拟的学生年龄与身高数据作为我们的训练集： ```python import numpy as np import pandas as pd # 构造简单的人工数据集 np.random.seed(0) # 设置随机种子保证每次运行结果一致 ages = np.round(np.random.normal(loc=15, scale=2, size=(60,)), decimals=0) heights = ages * 4 + (np.random.rand(len(ages)) - 0.5)*8 # 简化的假设公式 data_dict = {'age': ages, 'height(cm)': heights} df = pd.DataFrame(data=data_dict) print(df.head()) ``` 这段代码生成了60名学生的年龄和相应的预测身高值，其中加入了少量噪声使得更接近真实情况。同时我们也打印出前几行的数据供查看。 ### 步骤 2: 使用线性回归模型拟合这组数据 接下来我们利用上面构造出来的数据来进行线性回归分析: ```python from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression import matplotlib.pyplot as plt X = df[['age']] y = df['height(cm)'] # 将数据分为测试集和训练集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) model = LinearRegression() model.fit(X_train, y_train) # 输出模型系数 print(f"截距(bias): {model.intercept_}") print("权重(coef):", model.coef_[0]) plt.scatter(X_test, y_test, color='black') plt.plot(X_test, model.predict(X_test), color='blue', linewidth=3) plt.xlabel('Age') plt.ylabel('Height (cm)') plt.title('Linear Regression of Age vs Height') plt.show() score=model.score(X_test,y_test) print(f'R^2 score on testing data is :{score}') ``` 上述程序实现了对给定数据的应用线性回归算法建模的过程。它还绘制了一个图表以直观地显示模型的效果，并计算并展示了R²分数，用于评估模型的好坏程度。