- 1.预测两个点
import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
# # 预测两个点
# # 两个点的横坐标
X = [[1], [6]]
# # 两个点的纵坐标
y = [4, 6]
lrs = LinearRegression().fit(X, y)
plt.scatter(X, y, s=80)
z = np.linspace(0, 5, 20)
plt.xlim(0, 7)
plt.ylim(3, 7)
plt.plot(z, lrs.predict(z.reshape(-1, 1)))
# print("打印直线方程", "y=", '{:.3f}'.format(lrs.coef_[0]), "x", "+", '{:.3f}'.format(lrs.intercept_))
print("打印直线方程:y={:.3f}x+{:.3f}".format(lrs.coef_[0], lrs.intercept_))
plt.show()
拟合情况:
*
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/88383552dbd160fb16ed7969a38ff583.png)
直线方程为:
- 2.预测三个点的情况。
# 预测三个点
X = [[1], [4], [3]]
y = [3, 5, 3]
lrs = LinearRegression().fit(X, y)
plt.scatter(X, y, c='orange')
z = np.linspace(0, 5, 20)
plt.plot(z, lrs.predict(z.reshape(-1, 1)), c='red')
print("打印方程:y={:.3f}x+{:.3f}".format(lrs.coef_[0], lrs.intercept_))
plt.show()
拟合情况:
*
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/78ec5833fd29f6e9d62b88877eaf8c56.png)
直线方程:
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/ca4f090ebb7d29c373fea770ac7fdd13.png)
- 3.预测多个点是:
# 预测多个点
from sklearn.datasets import make_regression
X, y = make_regression(n_samples=50, n_features=1, n_informative=1, noise=50, random_state=1)
lrs = LinearRegression().fit(X, y)
z = np.linspace(-3, 3, 500)
print("打印方程:y={:.3f}x+{:.3f}".format(lrs.coef_[0], lrs.intercept_))
plt.scatter(X, y, c='orange')
plt.plot(z, lrs.predict(z.reshape(-1, 1)))
plt.show()
拟合情况:*
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/06cf7cf4d168a3f3385d409ea40a29ac.png)
直线方程:
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/6c22422a01e61dc8982b3f7cf3939150.png)