线性回归是机器学习中的基础算法之一，属于监督学习中的回归问题，算法的关键在于如何最小化代价函数，通常使用梯度下降或者正规方程（最小二乘法），在这里对算法原理不过多赘述，建议看吴恩达发布在斯坦福大学上的课程进行入门学习。
这里主要使用python的sklearn实现一个简单的单变量线性回归。
sklearn对机器学习方法封装的十分好，基本使用fit,predict,score，来训练，预测，评价模型，
一个简单的事例如下：
from pandas import DataFrame
from pandas import DataFrame
import pandas as pd
import matplotlib.pyplot as plt
from sklearn import datasets,linear_model
X=[]
Y=[]
with open("C:\\Users\\www\\ex1data1.txt","r") as f: #读取txt文件。
for line in f:
p_tmp, E_tmp = [float(i) for i in line.split(',')]
X.append(p_tmp)
Y.append(E_tmp)
#'data=np.loadtxt('ex1data1.txt',delimiter=',')
# X=data[0]
# Y=data[1]
data=DataFrame(X,columns={'a'})
data['b']=b
X=DataFrame(X)
fig = plt.figure()
ax1 = fig.add_subplot(1,1,1)
plt.scatter(data['a'],data['b']) #显示X，Y的散点图
def linear_model_main(X,Y,predict_value): #定义一个使用线性回归的函数
regr=linear_model.LinearRegression()
regr.fit(X,Y) #训练模型
predict_output=regr.predict(predict_value) #预测
predictions={} #用一个集合装以下元素
predictions['intercept']=regr.intercept_ #截距
predictions['codfficient']=regr.coef_ #斜率（参数）
predictions['predict_value']=predict_output #预测值
return predictions
result = linear_model_main(X,Y,1500) #调用函数
print(result['predict_value'])
def show_predict(X,Y):
regr=linear_model.LinearRegression()
regr.fit(X,Y)
plt.scatter(X,Y,color='blue')
plt.plot(X,regr.predict(X),color='red')
show_predict(X,Y)
最后拟合结果如图：
以上这篇python实现简单的单变量线性回归方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
