一、原理
依旧参考大佬：https://zhuanlan.zhihu.com/p/85981041
首先十分感谢大佬整理出的成块的知识，并且十分易懂。
线性回归必须理解的几个点：
1、线性指一条直线,y=ax+b，我们下面使用多个特征值，那就有多个x输入，目标求出a和b
2、代价函数：指的是拟合点到实际点的距离计算，多点求和求平均，我们任务就是是代价函数最小
注意点：求导时候记得将a和b看做自变量，因为x已知。
3、梯度下降的原理（为了计算机更好在多维度计算求导，这里不过多的描述，大佬说的蛮清楚的）
二、使用sklearn.linear_model.LinearRegression()简单实现
使用的数据集是sklearn.datasets.load_boston()，也就是波士顿房价的预测数据集
如果想详细了解下该数据集，移步下：https://blog.csdn.net/appleyuchi/article/details/84998894（感谢整理）
以下是我使用该API写的简单实现，同时其中也使用了机器学习中的模型保存和加载应用，代码如下:
#使用回归模型预测连续结果(boston数据集13个输入变量，1个输出即自住房房价（1000美元）)
import numpy as np
from sklearn import datasets
from sklearn import metrics
from sklearn import model_selection as model
from sklearn import linear_model
import matplotlib.pyplot as plt
boston=datasets.load_boston()
#了解下boston这个数据集
# print(dir(boston)) #了解下boston中的方法和变量
# print(boston.DESCR) #看一下关于该数据集的描述
# print('boston.feature_names',boston.feature_names) #特征名称，除了这些还可以查看data和target等
# print('data type:',type(boston.data))
# print('data shape:',boston.data.shape)
# print('target shape:',boston.target.shape)
#训练模型
linreg=linear_model.LinearRegression()
#随机划分训练集和测试集,分别是训练特征，测试特征，训练真实房价，测试真实房价
x_train,x_test,y_train,y_test=model.train_test_split(boston.data,boston.target,test_size=0.1,random_state=42)
linreg.fit(x_train,y_train)
#保存训练好的模型
from sklearn.externals import joblib
joblib.dump(linreg, "./model/linear_model.pkl") # lr是训练好的模型， "./ML/test.pkl"是模型要保存的路径及保存模型的文件名，其中，'pkl' 是sklearn中默认的保存格式gai
#加载训练好的模型
ln = joblib.load("./model/linear_model.pkl")
#测试模型
y_pred=ln.predict(x_test)
print(metrics.mean_squared_error(y_test,y_pred)) #计算均方差
plt.plot(y_test,label='ground truth')
plt.plot(y_pred,label='predicted')
plt.legend(loc='lower left')
plt.xlabel('test data point')
plt.show()结果如下：
扫描二维码关注公众号，回复：
9967944 查看本文章
蓝色是测试的房价，黄色是通过拟合预测出来的房价
