如何使用Sklearn库实现线性回归？

要使用Sklearn库实现线性回归，可以按照以下步骤进行操作：

1. 导入所需的库和模块。
2. 准备数据集。
3. 划分训练集和测试集。
4. 创建线性回归模型并设置参数。
5. 训练模型并进行预测。
6. 评估模型性能。
7. 可视化结果。

以下是具体的代码实现：

# 导入所需的库和模块
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score

# 准备数据集
X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([2, 4, 6, 8, 10])

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建线性回归模型并设置参数
lr = LinearRegression()

# 训练模型并进行预测
lr.fit(X_train, y_train)
y_pred = lr.predict(X_test)

# 评估模型性能
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print("Mean Squared Error:", mse)
print("R2 Score:", r2)

# 可视化结果
plt.scatter(X_test, y_test, color='blue', label='Actual')
plt.plot(X_test, y_pred, color='red', label='Predicted')
plt.legend()
plt.show()

在这个例子中，我们首先导入了所需的库和模块，然后创建了一个简单的数据集。接下来，我们将数据集划分为训练集和测试集，然后创建了一个线性回归模型。我们使用训练集对模型进行训练，并使用测试集进行预测。最后，我们评估了模型的性能并可视化了结果。