一元线性回归的代码问题

[pineconebig]

大佬您好，Book1_Ch06_Python_Codes的Bk1_Ch06_12.ipynb中 #一元线性回归 slope, intercept = statistics.linear_regression(x_data, y_data 没法线性回归，我不知道是不是因为这个statistics模块更新了，删掉了这个函数

[pineconebig]

下面是我用sklearn写的，
############# 线性回归 #############
import random
import matplotlib.pyplot as plt
import numpy as np
from sklearn.linear_model import LinearRegression

产生数据

num = 50
random.seed(0) #seed(0)调试、复现结果或者需要稳定测试的场景，因为它保证了每次执行的随机操作是相同的。
x_data = [random.uniform(0, 10) for _ in range(num)]

噪音

noise = [random.gauss(0,1) for _ in range(num)]
y_data = [0.5 * x_data[idx] + 1 + noise[idx] for idx in range(num)]

绘制散点图

fig, ax = plt.subplots()
ax.scatter(x_data, y_data,label='数据点')
ax.set_xlabel('x'); ax.set_ylabel('y')
ax.set_aspect('equal', adjustable='box') #设置坐标轴的纵横比为相等，即 X 轴和 Y 轴的单位长度相同。adjustable='box' 表示如果图形区域的大小发生变化，坐标轴的比例也会自动调整。
ax.set_xlim(0,10); ax.set_ylim(-2,8)
ax.grid()
ax.legend(fontsize=12)

线性回归

x = np.array(x_data).reshape(-1, 1) # 将 x_data 转换为二维数组，因为 scikit-learn 需要二维输入,每一行是一个样本，每列是一个特征
y = np.array(y_data) # 目标变量
model = LinearRegression() # 创建线性回归模型
model.fit(x, y) # 拟合模型
slope = model.coef_[0] # 获取回归线的斜率和截距
intercept = model.intercept_

绘图

fig, ax = plt.subplots()
ax.scatter(x_data, y_data, label='数据点')
ax.plot(x_data, model.predict(X), color='red', label=f'线性回归: y = {slope:.2f}x + {intercept:.2f}') # 绘制回归线
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_aspect('equal', adjustable='box') # 设置坐标轴的纵横比为相等
ax.set_xlim(0, 10)
ax.set_ylim(-2, 8)
ax.grid()
ax.legend(fontsize=12)
plt.show()

[Visualize-ML]

https://docs.python.org/3/library/statistics.html
新版本有statistics库

当然会用sklearn更好，因为后续根本不会用statistics（太基本了）