前言：
一元线性回归是数据挖掘的基础模型，其中包含了非常重要的数学回归的概念，是学习多元回归，广义线性回归的基础。本文主要讲解1）基础原理2）数学推导3）R语言演示，来介绍一元线性回归。
关键词：一元线性回归基础原理、最小二乘法、数学推导、R语言
整体思路：
根据已知点求一条直线，希望直线与各个点距离之和为最小，根据最小二乘法算出最小时直线的参数。
正文：
一、基础原理：假设已知铅笔销量和时代的关系，如下图散点：
三、R语言实现：
> x = c（18,23,25,35,65,54,34,56,72,19,23,42,18,39,37）
>y=c(202,186,187,180,156,169,174,172,153,199,193,174,198,183,178）
> plot（x,y）#绘散点图
> fm = lm（y ~ x） #拟合线性回归模型
> abline（fm） #绘制（添加）回归线
辅助知识：
求导的目的是求一个公式的变化率。比如y=x^2 求导后为 y=2x ，即当X=0时它的变化率是最低。（斜率为0），随着X增大1个单位，y的变化速度就增加2个单位的速度。如果x=10，y的增幅变化率就是20.可以自己想想一下y=x^2的图形就明白了。
偏导：在一元函数中，我们已经知道导数就是函数的变化率。对于二元函数我们同样要研究它的“变化率”。所以就分别对每个元素进行求导，称为偏导。
参考资料：
《R语言统计分析软件简明教程》 王斌会等
百度百科