利用sklearn编写线性回归

21.11.22学习内容：（代码均可运行）

首先生成随机数据

#生成随机实验数据
import numpy as np
X=[i for i in range(20)]
X=np.reshape(X,(10,2))#转化为，十个样本，每个样本两个特征值，10*2=20
print('X[:,0]= ',X[:,0])

x[:,n]、x[n,:]、x[:,m:n]三者区别如下

'''
X = np.array([[0,1,2],[3,4,5],[6,7,8],[9,10,11],[12,13,14],[15,16,17],[18,19,20]]) 
x[:,n]表示在全部数组（维）中取第n个数据，直观来说，x[:,n]就是取所有集合的第n个数据,
x[n,:]表示在n个数组（维）中取全部数据，直观来说，x[n,:]就是取第n集合的所有数据,
x[:,m:n]，即取所有数据集的第m到n-1列数据
print(x[n,:])
'''

 建立基础线性模型，y=ax+b

#矩阵乘法，例如np.dot(X,X.T)
y=np.dot(X,[3,4])+2
print('y= ',y)

运行结果：

X[:,0]=  [ 0  2  4  6  8 10 12 14 16 18]
y=  [  6  20  34  48  62  76  90 104 118 132]

这时生成图片可以看到，模型过于简单

 因此，我们加