与简单线性回归相比，多元线性回归不过是多了几个自变量x。
上篇所列的几个方程更改如下：
多元线性回归模型：
y = β0 + β1*x1 + β2*x2 + … + βn*xn + E
多元回归方程：
E(y) = β0 + β1*x1 + β2*x2 + … + βn*xn
估计多元回归方程：
y_hat = b0 + b1*x1 + b2*x2 + … + bn*xn
利用一个样本集计算出多元回归方程中β0,β1等值的估计值b0,b1等，得到估计方程。
利用样本计算出方程b0,b1等参数的方法原则依然还是
每一组x对应的y值与方程中相应x的y值之差的平方的和最小。
运算与简单线性回归类似，用到线性代数和矩阵代数。这个省略手动的推导计算过程，下面用一个例子以调用python中包的方式来实现对参数b0,b1等的求解。
如上图，有10组数据，分别是一个运送公司关于运输里程x1,运输次数x2,以及总运输时间Y的关系。这是一个自变量数为2的一个多元线性回归，我们要根据这些样本求出估计方程: y估计 = b0 + b1*x1 + b2*x2, 也就是要求出其中的参数b0, b1, b2。为什么说是估计方程呢？因为样本只是一部分而不是全体，所以称其为估计方程。下面利用Python来求解这个问题：
from numpy import genfromtxt
import numpy as np
from sklearn import datasets, linear_model
dataPath = r"C:\Users\zelta\Desktop\Delivery.csv"
#加上r就会将后面当做一个完整的字符串，而不会认为里面有什么转义之类的。
deliveryData = genfromtxt(dataPath, delimiter = ',')
print "data"
print deliveryData
x = deliveryData[:, :-1]
y = deliveryData[:, -1]
print "x: "
print x
print "y: "
print y
regr = linear_model.LinearRegression()
regr.fit(x, y)
#打印出regr的参数
print "cofficients"
print regr.coef_
print "intercept: "
print regr.intercept_
#预测一个例子
xPred = [103, 7]
yPred = regr.predict(xPred)
print "predicted y:"
print yPred
#11.89213978
直接利用sklearn包里面线性回归的函数构造模型，把数据传入其fit函数中。有一点要注意，提取x,y数据列表的Delivery.csv就是上图表格数据去除第一行和第一列后的csv文件。
程序运行结果： 自变量参数分别为 0.0611346 0.92342537， b0为-0.868701466782，取3位小数得到最后的估计方程为：
y_hat = 0.061*x1 + 0.923*x2 - 0.869
利用这个方程就可以根据一组x预测y的值。
我们也可以根据这个方程得到其它的一些信息，比如平均运送距离每增加1公里，运输时间增加0.0611小时，平均每多运输1次，运输时间增加0.923小时。
还有一个问题，当自变量x中有分类型的变量该如何解决呢？比如x中有一个变量是车型: 3种车， 自行车，电瓶车，汽车。这也会影响最后的运输时间，给这3种车编个号0，1，2。表格变成如下图。
这个时候我们不能利用车型的值作为x进行运算，因为车型的值只是表示类别，没有大小关系。这里要用到前面几篇中利用到的方法，将其转化为数字型的数据进行运算。也就是如下图：
用3个x变量来表示车型。这样就可以把类型的变量转化为数据型的变量代入方程进行运算。