首先,我们需要准备两列数据,可以使用NumPy库来存储和处理数据。接下来,我们可以使用SciPy库中的 curve_fit
函数来进行线性回归。下面是一个简单的例子:
import numpy as np
from scipy.optimize import curve_fit
# 假设我们有两列数据: x 和 y
x = np.array([1, 2, 3, 4, 5])
y = np.array([1, 4, 9, 16, 25])
# 定义线性拟合函数
def linear_fit(x, a, b):
return a * x + b
# 进行线性回归
params, _ = curve_fit(linear_fit, x, y)
a, b = params
# 输出回归系数
print(f"a={a}, b={b}")
# 使用回归系数来预测新数据
x_new = 6
y_predicted = linear_fit(x_new, a, b)
print(f"预测值: {y_predicted}")
上面的代码中, linear_fit
函数定义了线性回归模型的公式: y = a * x + b。curve_fit
函数使用最小二乘法来估计回归系数 a 和 b, 并将它们作为参数返回。最后, 我们可以使用这些回归系数来预测新数据的值。
注意: 这只是一个简单的例子, 线性回归可能并不适用于所有数据。在实际应用中, 你可能需要选择更复杂的回归模型, 或者使用其他工具来评估模型的质量。