Python Matplotlib 绘制线性回归：示例代码与解释

使用 Python 的 matplotlib 库绘制线性回归，首先需要准备数据和线性回归模型。以下是一个简单的示例代码，演示了如何使用 matplotlib 来绘制线性回归线：

import matplotlib.pyplot as plt
import numpy as np

# 准备数据
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
y = np.array([2, 3, 4, 5, 6, 7, 8, 9, 10, 11])

# 计算最佳拟合直线的斜率和截距
slope, intercept = np.polyfit(x, y, 1)

# 生成预测的y值
y_pred = slope * x + intercept

# 绘制散点图和线性回归线
plt.scatter(x, y)  # 绘制散点图
plt.plot(x, y_pred, color='red')  # 绘制线性回归线
plt.xlabel('x')
plt.ylabel('y')
plt.title('Linear Regression')
plt.show()

在这个例子中，我们使用 numpy 数组 'x' 和 'y' 来表示输入变量和目标变量。通过调用 'np.polyfit' 函数，我们可以计算斜率 'slope' 和截距 'intercept'。然后，我们使用斜率和截距生成预测的 'y' 值 'y_pred'。最后，使用 'plt.scatter' 函数绘制散点图，并使用 'plt.plot' 函数绘制线性回归线。使用 'plt.xlabel'、'plt.ylabel' 和 'plt.title' 函数来添加标签和标题。最后，使用 'plt.show' 函数显示图形。

运行这段代码将生成一个散点图，同时绘制了线性回归线，展示了数据的趋势和拟合情况。