线性回归分析实时回顾与复习

#简单线性回归的程序
import numpy as np
#应该导入的类
from sklearn.linear_model import LinearRegression
#用来切割训练集和测试集的类
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
#设置输出的进度：：默认是8
np.set_printoptions(precision=2)
iris = load_iris()
#获取花瓣长度作为X，而花瓣宽度作为y
X,y = iris.data[:, 2].reshape(-1,1), iris.data[:,3]#X有一个转置
#将数据集划分为训练集与测试集：test_size:测试集的大小，random_state:随机种子用来产生相同的随机数序列
lr = LinearRegression()
#定义不同变量以区分
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size= 0.25,random_state = 0)
#使用训练集数据，训练模型。
lr.fit(X_train,y_train)#真的很方便，很容易看懂。别再转牛角尖
print('权重:', lr.coef_)
print('截距:', lr.intercept_)
#从训练集学习到了模型的参数（w,b），确定方程，就可以进行预测。
y_hat = lr.predict(X_test)
print("实际值", y_test)
print("预测值", y_hat)
y_hat1 = X_test * lr.coef_ + lr.intercept_
print(type(X_test))
y_hat1.reshape(1,38)