一. AI简介｜ 建模流程

　　以下是基于原文的二次改写版本：

# 导入所需的库

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LinearRegression

import numpy as np

import matplotlib.pyplot as plt



# 创建数据集

data = np.array([[152, 51], [156, 53], [160, 54], [164, 55],

[168, 57], [172, 60], [176, 62], [180, 65],

[184, 69], [188, 72]])



# 打印数据集的维度

print("The size of dataset is (%d,%d)" % data.shape)



# 准备训练集和测试集的特征向量和标签

X, y = data[:, 0].reshape(-1, 1), data[:, 1]

X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.8)



# 创建线性回归模型实例

regr = LinearRegression()



# 在训练数据上训练模型

regr.fit(X_train, y_train)



# 输出训练数据上的R平方值

print("Score for training data %.2f" % regr.score(X_train, y_train))  # 输出: 0.97



# 可视化训练数据及其拟合的直线

plt.scatter(X_train, y_train, color='red')  # 训练数据点（红色）

plt.plot(X_train, regr.predict(X_train), color='blue')  # 训练数据拟合直线（蓝色）

plt.xlabel('height (cm)')  # x轴标签

plt.ylabel('weight (kg)')  # y轴标签

plt.show()



# 可视化测试数据及其拟合的直线（仅显示部分，但通常不包括在训练过程中）

plt.scatter(X_test, y_test, color='black')  # 测试数据点（黑色）

plt.plot(X_train, regr.predict(X_train), color='blue')  # 同上，为了对比训练效果，再次绘制训练数据拟合直线（蓝色）

plt.xlabel('height (cm)')  # x轴标签（与训练部分相同）

plt.ylabel('weight (kg)')  # y轴标签（与训练部分相同）

plt.show()



# 输出测试数据上的R平方值

print("Score for testing data %.2f" % regr.score(X_test, y_test))  # 输出: 0.89

print("Prediction for a person with height 171 is: %.2f" % regr.predict([[171]]))  # 输出: 60.38