# 创建数据集，把数据写入到numpy数组import numpy as np #引用numpy库，主要用来做科学 import matplotlib.pyplot as plt #引用matplotlib库，主要用来画图data=np.array([[152,51],[156,53],[160,54],[164,55], [168,57],[172,62],[176,62],[180,65], [184,69],[188,72]])# 打印数组的大小print(data.shape)# 从data中提取出身高和体重，分别存放在x,y变量中x,y=data[:,0].reshape(-1,1),data[:,1]
注意： data[:,0]中添加了一个reshape的函数，主要的原因是在之后调用fit函数的时候对特征矩阵x是要求是矩阵的形式。
from sklearn import datasets, linear_model # 引用 sklearn库，主要为了使用其中的线性回归模块# TODO 1. 实例化一个线性回归的模型regr = linear_model.LinearRegression()# TODO 2. 在x,y上训练一个线性回归模型。 如果训练顺利，则regr会存储训练完成之后的结果模型regr.fit(x, y)# TODO 3. 画出身高与体重之间的关系plt.scatter(x, y, color=‘red‘)# 画出已训练好的线条plt.plot(x, regr.predict(x), color=‘blue‘)# 在二维空间中画出身高和体重的分布图plt.xlabel(‘height(cm)‘)plt.ylabel(‘weight(kg)‘)plt.show# 利用已经训练好的模型去预测身高为163的人的体重print ("Standard weight for person with 163 is %.2f"% regr.predict([[163]]))
结果
