8. Задача 3. Предсказываем

Теперь у вас есть своя собственная функция линейной регрессии. Давайте разберем, как ее использовать для предсказаний и оценки ошибки.
 
Задача
1) Напишите функцию predict(t, k, b), которая делает предсказания с помощью вашей модели.
Параметры функции:
t - новая температура, для которой хотим выполнить предсказание
k, b - параметры модели

Функция должна по вычисленным значениям k и b предсказать количество проданного мороженного для исходного набора данных X.
Функцию my_linear_regression() писать уже не нужно. Напишите только реализацию функции predict(t, k, b).

2) Выведите предсказанные значения в следующем формате:
температура: реальное_значение предсказанное_значение (только целая часть предсказанного значения)
Строки должны выводится в порядке следования температур также как в исодном наборе данных.

3) Для оценки построенной модели линейной регрессии, посчитайте и выведите SSE (только целую часть) - смму квадратов всех ошибок.


 
Примеры
Входные данныеВыходные данные
1 9 13 17 23 18
92 132 172 232 182
9: 92 92
13: 132 132
17: 172 172
23: 232 232
18: 182 182
0

Вставьте недостающие фрагменты кода
Python
import numpy as np
from random import randint

# Ввод данных
X = np.array(list(map(int, input().split())))
y = np.array(list(map(int, input().split())))


# Ваша собственная линейная регрессия  
def my_linear_regression(X, y):
    # реализация данной функции уже написана и скрыта
    # вам ее писать не нужно     


                                
    return k, b     
# вычисляем k и b, используя функцию my_linear_regression()
k, b = my_linear_regression(X, y)