要给出标注回归线方程和R^2值，我们需要使用线性回归模型来拟合数据，并计算R^2值。以下是一个使用Python的示例代码：

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score

# 生成示例数据
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
y = np.dot(X, np.array([1, 2])) + 3

# 创建线性回归模型
model = LinearRegression()

# 拟合数据
model.fit(X, y)

# 获取回归系数和截距
coef = model.coef_
intercept = model.intercept_

# 打印回归线方程
print("回归线方程: y =", coef[0], "* x1 +", coef[1], "* x2 +", intercept)

# 预测数据
y_pred = model.predict(X)

# 计算R^2值
r2 = r2_score(y, y_pred)

# 打印R^2值
print("R^2值:", r2)

在这个示例中，我们首先生成了一些示例数据，然后使用LinearRegression类来拟合数据。之后，我们获取回归系数和截距，打印回归线方程。然后，我们使用拟合的模型来预测数据，并计算R^2值。最后，我们打印R^2值。