from sklearn.linear_model import LinearRegression
import numpy as np
'''
LinearRegression是一个类,用于执行线性回归。
线性回归是一种预测数值型目标变化的统计方法,试图通过找到适合数据的直线来建立特征和目标变量之间的关系
LinearRegression类包含多个方法,其中最重要的是fit方法 ,用于训练模型,x(特征矩阵)
'''
# 创建一些样本数据
X = np.array([[1], [2], [3], [4], [5]]) # 特征 二维数组形式 : [[1]] 一维 [1]
y = np.array([2, 4, 6, 8, 10]) # 目标变量 y = 2*x
'''
X是一个二维Numpy数组 包含用于预测目标变量的特征,每个样例占据一行,只有一个特征
y是一个一维Numpy数组 包含了与x中每个样本对应的目标变量值
'''
model = LinearRegression()# 初始化线性回归模型
model.fit(X, y)# 使用fit方法来训练模型
# 现在模型已经训练好了,可以使用它来预测新的数据
prediction = model.predict([[6]])
print(prediction)
prediction = model.predict([[100]])
print(prediction)
'''
当调用 model.predict([[6]]) 或 model.predict([[100]]) 时,
predict 方法返回的是一个 NumPy 数组,其中包含预测的 y 值
即使这些值在数学上是整数 由于浮点运算的精度问题或内部表示方式,predict 方法可能会返回一个浮点数的近似值
'''
prediction = model.predict([[6]])
print(int(prediction[0])) # 将浮点数转换为整数并打印
prediction = model.predict([[100]])
print(int(prediction[0])) # 同样将浮点数转换为整数并打印
输出:
[12.]
[200.]
12
200