自定义数据集使用scikit-learn中的包实现线性回归方法对其进行拟合

代码：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# 1. 创建自定义数据集
# 假设特征数据 X 和目标数据 y
data=[[0.8,1.0],
      [1.7,0.9],
      [2.7,2.4],
      [3.2,2.9],
      [3.7,2.8],
      [4.2,3.8],
      [4.2,2.7]]
#转换为Numpy 数组
data=np.array(data)
#提取x_data 和y_data
x=data[:,0].reshape(-1,1)
y=data[:,1]

# 2. 创建并训练线性回归模型
model = LinearRegression()
model.fit(x, y)

# 3. 获取拟合结果
y_pred = model.predict(x)

# 4. 可视化
plt.figure('show figure')
plt.xlim(0, 5)
plt.ylim(0, 5)

# 绘制原始数据点
plt.scatter(x, y, color='blue')

# 绘制回归直线
plt.plot(x, y_pred, color='red')

# 添加标题和标签
plt.xlabel("X")
plt.ylabel("y")

# 显示图例
plt.legend()

# 显示图形
plt.show()

结果：