模型：一元线性回归模型
回归分析：建立方程模拟两个或者多个变量之间是如何相互关联，被预测的变量称为因变量（结果），用来进行预测的变量称为
自变量（输入参数），当输入参数只有一个（输出1个）时，称为一元回归，反之当输入有多个（输出1个），称为多元回归；
一元线性回归模型如下所示：（我们只需确定此方程的两个参数即可）
第一个参数为截距，第二个参数为斜率（我们只需根据大量的数据集通过训练求解即可^_^）
为了求解上述参数（或许求解的参数更多）我们在这里引入代价函数（cost function）,在这里以一元线性回归模型为例
上述式子不难理解，为真实值与预测值之间的差值的平方（当然也可以取绝对值，但为便于后续数值操作取其平方），最后
取所有训练集个数的平均值。而我们就是在取某个(些)参数时，使得上述函数取得最小值（误差最小！）结合下图直观理解。
上述由一些参数构成的函数称为代价函数，我们的目标就是求解对应的参数使得代价函数达到最小值，最后确定模型；
梯度下降法（确定所要求解的参数，在神经网络模型中也会有所应用）： 其具体步骤如下图所示
使用此方法最重要的就是确定代价函数，且此函数可以收敛到最小值（凸函数），对于初始化操作，一般情况下赋值为0即可
所谓的梯度优化，就是不断的更改参数值，使之最后到达一个全局（局部）最小值，参数更新过程如下；
一般情况下的参数求解，对每个参数求偏导数；
这一个参数更新要求是同步更新，即最后在对参数进行更新，这里的α为学习率，通常取值为0.01，0.001，0.03，0.003等
学习率不易过高也不能过低，当过高是会导致永远到达不了收敛点（发散），当过低时会导致收敛过慢，影响收敛速度；
在这里的一元线性回归模型我们确定的参数只有两个，其参数求解方式如下图所示：
实战 （fight）
在这里我们以一个生产成本对月产量的影响为例，确定两者之间的线性关系（当然未必一定是线性）
下图红色部分是通过梯度下降求解出的拟合直线，蓝色为通过python自带的库sklearn拟合出的直线（两者大体相同）
import numpy as np #导入numpy
import matplotlib.pyplot as plt #导入图像绘制库
from sklearn.linear_model import LinearRegression #线性回归库上述为我们常用的三个库文件的导入方式，numpy（矩阵运算），pyplot（图像绘制），sklearn
#训练集，以及相关参数
dataX=[]# X数据集
dataY=[]# Y数据集
with open('DataSet') as f:
for line in f:
line=line.strip('\n').split(' ')
dataX.append(float(line[0]))
dataY.append(float(line[1]))
k=0 # 斜率
b=0 # 截距 初始化参数
learnrate= 0.03 # 学习率
step = 50 # 学习次数#梯度下降法求解参数
for i in range(step):
temp1=0
temp0=0
for j in range(len(dataX)):
temp0=temp0+(k*dataX[j]+b-dataY[j])/len(dataX)
temp1=temp1+(k*dataX[j]+b-dataY[j])*dataX[j]/len(dataX)
k=k-learnrate*temp1
b=b-learnrate*temp0 #求解参数#通过sklearn库训练数据
model=LinearRegression()
model.fit(np.array(dataX).reshape(-1,1),np.array(dataY).reshape(-1,1))
plt.plot(dataX,model.predict(np.array(dataX).reshape(-1,1)),'b')#绘制散点以及拟合直线图像
plt.xlabel('X')
plt.ylabel('Y')# 设置横纵坐标
plt.scatter(dataX,dataY)# 绘制散列表
plt.plot(dataX,k*np.array(dataX)+b,'r')# 绘制拟合直线
plt.show()
这里的scatter传入的参数为X和Y坐标列表，要求X和Y列表内元素个数相同，plot用于绘制曲线第一个参数为X坐标，第二
个参数为函数方程（Y坐标），第三个参数为曲线的颜色。
拟合出的一元线性回归方程为：y=1.274974x+0.879003；
