这个python线性回归为什么不报错，但图像画不出来

import pandas as pd
import numpy as np
from sklearn.preprocessing import LabelEncoder, MinMaxScaler
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
# 导入数据集，进行预处理
df = pd.read_csv('world_bank_data.csv')
df['GDP Growth Rate'] = df['GDP Growth Rate'].interpolate()
le = LabelEncoder()
df['Country Code'] = le.fit_transform(df['Country Name'])
df.dropna(inplace=True)
X = df[['Country Code', 'Year']].values
y = df['GDP Growth Rate'].values
scaler = MinMaxScaler()
y = scaler.fit_transform(y.reshape(-1, 1))
# 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)
# 构建模型并训练
model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
# 可视化预测结果
plt.figure(figsize=(12, 6))
for i in range(len(le.classes_)):
    country_idx = np.where(X_test[:, 0] == i)[0]
if len(country_idx) > 0:
    plt.plot(X_test[country_idx, 1], scaler.inverse_transform(y_test[country_idx]), label=le.classes_[i])
    plt.plot(X_test[country_idx, 1], scaler.inverse_transform(y_pred[country_idx]), '--')
plt.xlabel('Year')
plt.ylabel('GDP Growth Rate')
plt.title('GDP Growth Rate Prediction')
plt.legend(loc='best',scatterpoints=1,labels=['first','second'])
plt.show()

看起来你在绘制回归图像的时候出现了一个错误。在if语句中，你只针对一个国家绘制了回归线，而且缺少了对回归线的标签。建议你调整代码如下：

plt.figure(figsize=(12, 6))
for i in range(len(le.classes_)):
    country_idx = np.where(X_test[:, 0] == i)[0]
    if len(country_idx) > 0:
        plt.plot(X_test[country_idx, 1], scaler.inverse_transform(y_test[country_idx]), label=le.classes_[i])
        plt.plot(X_test[country_idx, 1], scaler.inverse_transform(y_pred[country_idx]), label=le.classes_[i] + ' Predicted')
plt.xlabel('Year')
plt.ylabel('GDP Growth Rate')
plt.title('GDP Growth Rate Prediction')
plt.legend(loc='best', scatterpoints=1)
plt.show()

这样修改后，你会得到带有标签的回归图像。

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 你可以看下这个问题的回答https://ask.csdn.net/questions/7496417
• 我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：使用python线性回归进行销量预测，建模和重建模
• 除此之外, 这篇博客: 线性回归python实现中的 所有的回归系数输出到一个矩阵， 返回 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
  

  # 在一组λ上测试结果
  def ridgeTest(xArr, yArr):
      xMat = mat(xArr);       # 将列表转为矩阵
      yMat = mat(yArr).T      # y 需要的是一个列矩阵,mat(yArr)得到的是一个行矩阵， 所以需要转置
      # 计算均值
      yMean = mean(yMat, 0)   # 压缩行，对各列求平均值
      yMat = yMat - yMean  # to eliminate X0 take mean off of Y
  
      # regularize X's
      xMeans = mean(xMat, 0)  # 均值
      xVar = var(xMat, 0)  # 方差
      np.seterr(divide='ignore', invalid='ignore') # xVar中存在0元素
      # 特征标准化： (特征-均值)/方差
      xMat = (xMat - xMeans) / xVar
  
      numTestPts = 30
      wMat = zeros((numTestPts, shape(xMat)[1]))
      for i in range(numTestPts):
          # λ以指数级变化 = exp(i - 10)
          ws = ridgeRegres(xMat, yMat, exp(i - 10))
          wMat[i, :] = ws.T
  
      # 所有的回归系数输出到一个矩阵， 返回
      return wMat
  
  

• 您还可以看一下 李彦芹老师的玩转Python图像处理课程中的 用形状包围图像对象小节, 巩固相关知识点
  

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^

for循环改下

for i in range(len(le.classes_)):
    country_idx = np.where(X_test[:, 0] == i)[0]
    if len(country_idx) > 0:
        plt.plot(X_test[country_idx, 1], scaler.inverse_transform(y_test[country_idx]), label=le.classes_[i])
        plt.plot(X_test[country_idx, 1], scaler.inverse_transform(y_pred[country_idx]), '--')

修改后代码

import pandas as pd
import numpy as np
from sklearn.preprocessing import LabelEncoder, MinMaxScaler
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

# 导入数据集，进行预处理
df = pd.read_csv('world_bank_data.csv')
df['GDP Growth Rate'] = df['GDP Growth Rate'].interpolate()
le = LabelEncoder()
df['Country Code'] = le.fit_transform(df['Country Name'])
df.dropna(inplace=True)
X = df[['Country Code', 'Year']].values
y = df['GDP Growth Rate'].values
scaler = MinMaxScaler()
y = scaler.fit_transform(y.reshape(-1, 1))

# 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)

# 构建模型并训练
model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

# 可视化预测结果
plt.figure(figsize=(12, 6))

for i in range(len(le.classes_)):
    country_idx = np.where(X_test[:, 0] == i)[0]
    if len(country_idx) > 0:
        plt.plot(X_test[country_idx, 1], scaler.inverse_transform(y_test[country_idx]), label=le.classes_[i])
        plt.plot(X_test[country_idx, 1], scaler.inverse_transform(y_pred[country_idx]), '--')

plt.xlabel('Year')
plt.ylabel('GDP Growth Rate')
plt.title('GDP Growth Rate Prediction')
plt.legend(loc='best', scatterpoints=1, labels=le.classes_)
plt.show()

如果还不行
把数据文件给我