• 线性回归（Linear Regression） 可能是最流行的机器学习算法。线性回归就是要找一条直线，并且让这条直线尽可能地拟合散点图中的数据点。

线性模型：给定由d个属性描述的示例，线性模型试图学得一个通过属性的线性组合来进行预测的函数。f(x) = wTx+b

线性回归试图学得一个线性模型以尽可能准确的预测实值输出标记，公式：
f(xi) = wxi + b，使得f(xi) ≈ yi

• 我们的任务就是求出w和b，可用均方误差最小化的方法，基于均方误差最小化来进行模型求解的方法称为最小二乘法，在线性回归中，最小二乘法就是试图找到一条直线，使得所有样本数据点到达直线的欧氏距离最小。总距离是所有数据点的垂直距离的平方和。其思想是通过最小化这个平方误差或距离来拟合模型。

以下为线性回归的代码实现：

#线性回归代码实现
# 导入科学计算工具
import numpy as np
# 导入画图工具
from matplotlib import pyplot as plt# 训练函数
def fitSLR(X,Y):X_avg = np.mean(X)#求取括号内数组、矩阵的均值Y_avg = np.mean(Y)n = len(X)#得到括号内列表的长度即元素个数# 定义分子和分母fen_zi = 0fen_mu = 0# 核心算法for i in range(0,n):fen_zi += (X[i] - X_avg) * (Y[i] - Y_avg)fen_mu += (X[i] - X_avg) ** 2 #(X[i] - X_avg)的2次方b1 = fen_zi / float(fen_mu) #计算w即直线的斜率b0 = Y_avg - X_avg * b1 #计算直线的breturn b0,b1#定义X、Y列表
X=[1.5,0.8,2.6,1.0,0.6,2.8,1.2,0.9,0.4,1.3,1.2,2.0,1.6,1.8,2.2]
Y=[3.1,1.9,4.2,2.3,1.6,4.9,2.8,2.1,1.4,2.4,2.4,3.8,3.0,3.4,4.0]b0,b1 = fitSLR(X,Y) #求出直线的w和b
print('k = ',b1)
print('b = ',b0)# 生成画板
plt.figure()
# 画散点图
plt.scatter(X,Y)
# 求出X参数的最小值
X_min = min(X)
# 求出X参数的最大值
X_max = max(X)
# 根据求得的b1,b0得到Y的最小值
Y_min = b0 + b1 * X_min
# 分局求得b1,b0得到Y的最大值
Y_max = b0 + b1 * X_max
# 画出预测的线性回归模型
plt.plot([X_min,X_max],[Y_min,Y_max],'r')
# 展示最终的效果
plt.show()

代码将输出拟合数据点的直线的k和b，并画出数据点和直线。运行图片如下图所示：