Python中有许多机器学习库可以实现线性模型，最常用的库是scikit-learn。下面是一个示例代码，展示了如何使用scikit-learn库中的线性模型进行训练和预测：
from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error # 构造样本数据 X = [[1], [2], [3], [4], [5]] # 特征 y = [2, 4, 6, 8, 10] # 目标值 # 将数据划分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1) # 创建线性回归模型 model = LinearRegression() # 拟合模型 model.fit(X_train, y_train) # 预测 y_pred = model.predict(X_test) # 计算均方误差 mse = mean_squared_error(y_test, y_pred) print('均方误差：', mse)
在上述代码中，首先导入了需要的模块，然后构造了一个简单的样本数据集。接下来，通过train_test_split函数将数据划分为训练集和测试集，然后创建了一个LinearRegression对象。通过调用fit方法拟合模型，然后用predict方法进行预测。最后，使用mean_squared_error函数计算了预测的均方误差。
除了线性回归模型，scikit-learn还提供了其他一些常用的线性模型，如岭回归、Lasso回归和逻辑回归等。可以根据具体问题选择合适的线性模型进行建模。
