### 如何用 Python 进行线性回归并计算残差 在 Python 中，可以利用 `scikit-learn` 库中的 `LinearRegression` 类来实现简单的线性回归模型，并通过预测值与实际值之间的差异计算残差。以下是具体方法： #### 使用 Scikit-Learn 实现线性回归 Scikit-learn 提供了一个简单易用的函数来进行线性回归分析[^1]。可以通过调用 `model.fit(X, y)` 来训练模型，并使用 `model.predict(X)` 获取预测值。 #### 计算残差 残差是指观测值与预测值之间的差异。对于给定的数据集 \(X\) 和目标变量 \(y\)，可以通过以下方式计算残差： \[ \text{Residuals} = y_{\text{actual}} - y_{\text{predicted}} \] 下面是一个完整的代码示例展示如何进行线性回归以及计算残差： ```python import numpy as np from sklearn.linear_model import LinearRegression import matplotlib.pyplot as plt # 创建数据矩阵 X 和目标向量 y X = np.array([[1], [2], [3], [4], [5]]) y = np.array([2.1, 4.0, 6.1, 8.2, 9.9]) # 初始化线性回归模型 model = LinearRegression() # 拟合模型 model.fit(X, y) # 输出截距和系数 print(f"Intercept: {model.intercept_}, Coefficient: {model.coef_[0]}") # 显示截距和斜率[^2] # 预测值 y_pred = model.predict(X) # 计算残差 residuals = y - y_pred # 可视化原始点、拟合直线及残差 plt.scatter(X, y, color='blue', label="Actual Data") plt.plot(X, y_pred, color='red', linewidth=2, label="Fitted Line") for i in range(len(X)): plt.plot([X[i][0], X[i][0]], [y[i], y_pred[i]], 'g--') plt.xlabel('X') plt.ylabel('y') plt.legend() plt.title("Linear Regression and Residuals Visualization") plt.show() # 打印残差 print("Residuals:", residuals) ``` 上述代码实现了以下几个功能： 1. **创建数据**：定义输入特征 \(X\) 和目标变量 \(y\)。 2. **初始化模型**：实例化 `LinearRegression` 并对其进行训练。 3. **输出参数**：打印出模型的截距和系数。 4. **可视化结果**：绘制散点图表示真实数据点，红色线条代表最佳拟合直线；绿色虚线展示了每个点到拟合直线的距离即残差[^4]。 #### 数据形状验证 为了确保数据结构正确无误，在执行任何操作之前通常会检查数据维度。这一步骤可通过 Pandas 或 NumPy 完成[^3]: ```python print("Shape of X:", X.shape) # 查看自变量矩阵的大小 ``` 以上就是基于 Python 的线性回归建模及其残差计算过程。