机器学习—线性回归（Linear Regression）

       回归问题是一类预测连续值的问题，而能满足这样要求的数学模型称作回归模型，线性回归就是回归模型中的一种，我们通过给模型“喂”数据来训练它，最终让它具备了预测的能力。

1.线性回归定义

       给出一个点集，构造一个函数来拟合这个点集，并且尽可能的让该点集与拟合函数间的误差最小，如果这个函数曲线是一条直线，那就被称为线性回归，如果曲线是一条三次曲线，就被称为三次多项回归。回归模型正是表示从输入变量到输出变量之间映射的函数。

2.一元线性回归

一元线性回归分析预测法，是根据自变量x和因变量y的相关关系，建立x与y的回归函数进行预测的方法  y=ax+b，比如，我有一组数据画出来的散点图，横坐标客户数量，纵坐标代表销售量，线性回归就是要找一条直线，并且让这条直线尽可能地拟合图中的数据点。

如图所示，通过训练数据拟合一个函数，就可以进行x=9的值进行预测y值的大小

3.Sklearn库使用示例

LinearRegression()模型在Sklearn.linear_model下，他主要是通过fit（x,y）的方法来训练模型，其中x为数据的属性，y为所属类型。线性模型的回归系数W会保存在他的coef_方法中。

1）加载模拟数据

import pandas as pd
data=pd.read_csv('generate_data.csv')
print(data)
#data赋值
x=data.loc[:,'x']
y=data.loc[:,'y']
print(x)
print(y)