版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/mico_cmm/article/details/86923321
回归是一种有监督的学习方式，需要根据历史数据对未知数据做出预测。
在此，以房屋面积预测房屋价格为例：
首先，读入数据/加载数据：
代码如下：
import pandas as pd
import numpy as np
from io import StringIO
from sklearn import linear_model
import matplotlib.pyplot as plt
# 房屋面积与价格历史数据(csv文件)
csv_data = 'square_feet,price\n150,6450\n200,7450\n250,8450\n300,9450\n350,11450\n400,15450\n600,18450\n'
# 读入dataframe
df=pd.read_csv(StringIO(csv_data))
# print(df)其次，建立线性回归模型，并对数据进行拟合，代码如下：
# 建立线性回归模型
regr=linear_model.LinearRegression()
# 拟合
regr.fit(df['square_feet'].values.reshape(-1, 1), df['price'])
# 用values方法将Series对象转化成numpy的ndarray，再用ndarray的reshape方法。
# 注意此处.reshape(-1, 1)，因为X是一维的！得到模型的截距和斜率：
# 直线的截距，斜率
a,b=regr.coef_,regr.intercept_
两种方式进行预测：
第一种方式是根据得到的模型直接进行的计算，第二种方式是根据回归模型的预测方法Predict进行的预测，通过运行代码可知两种方法得到的结果一致。
# 给出待预测面积
area=238.5
# 方式1：根据直线方程计算的价格
print(a*area+b)
# 方式2：根据predict方法预测的价格
print(regr.predict(area))绘图，分别绘制散点图和拟合的直线：
# 画图
# 1.真实的点（绘制的散点图）
plt.scatter(df['square_feet'],df['price'],color='blue')
# 2.拟合的直线
plt.plot(df['square_feet'],regr.predict(df['square_feet'].values.reshape(-1,1)),color='red',linewidth=4)
plt.show()至此，一元线性回归模型就创建完成了！
参考：https://www.cnblogs.com/hhh5460/p/5786115.html
对于模型的学习，建议大家在了解了算法的原理之后要动手实战，毕竟机器学习或者数据挖掘重在实战，我们最终是要做出模型来进行决策的。多动手，你会发现原本枯燥的原理、算法会变得清晰，自己也会更加感兴趣！