Python 线性回归实战：广告费用与销售收入预测

导入库

import numpy as np import pandas as pd from sklearn.linear_model import LinearRegression

创建数据集

data = {'advertising': [100, 200, 300, 400, 500], 'sales': [2000, 4000, 6000, 8000, 10000]} df = pd.DataFrame(data)

确定X和y

X = df[['advertising']] y = df['sales']

拟合线性模型

model = LinearRegression() model.fit(X, y)

打印回归系数和截距

print('Coefficient:', model.coef_) print('Intercept:', model.intercept_)

主要参数说明：

• fit_intercept: 布尔型，默认为 True。若参数值为 True 时，代表训练模型需要加一个截距项；若参数为 False 时，代表模型无需截距。
• normalize: 布尔型，默认为 False。若 fit_intercept 参数设置为 False 时，normalize 参数无需设置。
  • 若 normalize 设置为 True 时，则输入的样本数据将被标准化处理（(X - 均值) / X 的标准差）。
  • 若设置 normalize = False 时，在训练模型前，可以使用 sklearn.preprocessing.StandardScaler 进行标准化处理。
• copy_X: 一个布尔值。如果为 True，则会拷贝 X。
• n_jobs: 一个正数，指定任务并行时指定的 CPU 数量。如果为 -1 则使用所有可用的 CPU 核心。

属性：

• coef_: 回归系数（斜率）
• intercept_: 截距项