با استفاده از Python و کتابخانه scipy یک مجموعه دادهٔ مصنوعی برای رگرسیون خطی بساز، تابع مدل خطی تعریف کن، با scipy.optimize.curve_fit پارامترها را برازش بده و خط برازش و مقدار MSE را گزارش کن.

یک راه حل ساده شامل ساختن آرایهٔ x با numpy، تولید y = a*x + b + نویز تصادفی، تعریف تابع مدل linear(x, a, b) و استفاده از scipy.optimize.curve_fit برای یافتن پارامترهای a و b است؛ پس از برازش، مقادیر پیش‌بینی شده را محاسبه و خطا را با معیار MSE (میانگین مربعات خطا) بسنجید و در صورت نیاز با matplotlib نمودار داده‌ها و خط برازش را رسم کنید. نکات مفید: از np.random.seed برای تکرارپذیری استفاده کنید، حدس اولیه و (در صورت نیاز) bounds را به curve_fit بدهید و برای مقایسه می‌توانید از scipy.stats.linregress به‌عنوان روش جایگزین ساده استفاده کنید.