# 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
