LinearRegression. Задать коэффициенты

model_lin_reg = LinearRegression().fit(x_norm, y_norm)

print('intercept:', model_lin_reg.intercept_)
print('slope:', model_lin_reg.coef_)

from sklearn.linear_model import LinearRegression
import numpy as np
np.random.seed(42) #задаём случайное зерно для воспроизводимости
x_norm = np.random.rand(100, 1) #генерируем 100 случайных чисел от 0 до 1 для x_norm
y_norm = 2 * x_norm + 0.5 + np.random.randn(100, 1) #генерируем 100 случайных чисел для y_norm, используя линейную зависимость от x_norm с шумом
model_lin_reg = LinearRegression().fit(x_norm, y_norm)
model_lin_reg.intercept_ = 0.5 #задаём пересечение
model_lin_reg.coef_ = 2 #задаём наклон
print('intercept:', model_lin_reg.intercept_)
print('slope:', model_lin_reg.coef_)

from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
import numpy as np
np.random.seed(42) #задаём случайное зерно для воспроизводимости
x_norm = np.random.rand(100, 1) #генерируем 100 случайных чисел от 0 до 1 для x_norm
y_norm = 2 * x_norm + 0.5 + np.random.randn(100, 1) #генерируем 100 случайных чисел для y_norm, используя линейную зависимость от x_norm с шумом
model_lin_reg = LinearRegression().fit(x_norm, y_norm)
model_lin_reg.intercept_ = 0.5 #задаём пересечение
model_lin_reg.coef_ = 2 #задаём наклон
print('intercept:', model_lin_reg.intercept_)
print('slope:', model_lin_reg.coef_)
plt.scatter(x_norm, y_norm, color='blue')
model_lin_reg.coef_ = np.array([2]) #задаём наклон как массив
plt.plot(x_norm, model_lin_reg.predict(x_norm), color='red') #рисуем линию регрессии
plt.xlabel('x_norm')
plt.ylabel('y_norm')
plt.show()