这是菜鸟学Python的粉丝第1篇原创投稿
阅读本文大概需要3分钟
下面是小郑同学的投稿
线性回归是数据挖掘中的基础算法之一，也是重要的算法之一，基本上第一次接触的机器学习算法就是线性回归了。因为相对其他算法而言，我觉得线性回归是相对比较容易的算法，从某种意义上来说，在学习函数的时候已经开始接触线性回归了，只不过那个时候并没有涉及到误差项，其实在中学的时候就有接触了，学习的最小二乘法就是啦～～
1，简介
1).对于坐标系中给定的点，我们希望用一条线或是一个类似于：f(x)=θ0+θ1*x1+θ2*x2_...θn*xn 方程来拟合这写数据点，这就是我们说的回归了
2).这次我们要用的是Python中一个有名的库sklearn，这个库里面集成了大部分常用的机器学习算法，使用起来也相对方便，只需调用相关类和函数，就可以完成一个基本的机器学习模型了
3).首先感受下本文要用到的线性回归算法，大致核心的代码如下：
4).只要简单的几行代码，你就可以建立一个线性回归的模型
这里的from sklearn.linear_model import LinearRegression为导入相关的算法类，视具体情况而导入不同的算法类
第二句是初始化该模型；接着是用fit函数完成训练你的数据，得到一个可以用于预测的模型
最后用predict函数进行预测
2，实例分析
下面先举一个小例子，在原来的基础上加上了数据集，需要注意的是，X_train可以是一维的，二维的，也可以是多维的
即X1,X2,X3,……这里是二维的，所以是一个大的列表中包含一个个小列表，每个小列表包含两个数
用fit函数后直接predict新的数据X_test，最后打印出结果。print(linreg.coef_)这句是打印出该模型的参数
比如这里对数据拟合之后就是[ 0.5 0.5]，写出来就是y=0.5*X1+0.5*X2
3，实例分析
在这个例子中，用到的数据集来自sklearn中自带的数据集，首先简单看一下数据大致情况：
可以看到该数据集共有442条数据，每一条数据有10个特征值（feature），在这里我们不做任何处理，统统把数据扔进去（哈哈哈，我有点懒）
读取sklean 自带的diabete数据集
使用全部特征,区分开x和y
把数据集分为训练集和测试集,其中test_size=0.3,即测试集占数据的30%
使用线性回归
进行训练集 和测试集的匹配,即是训练的过程
打印出相关系数和截距等信息
打印出模型的score值
>>
参数为 [ -17.33584015 -133.4430929 556.52334063 257.93937783 -851.30658803 535.61270222 109.61905444 56.42194824 795.39454829 163.07702816]
0.487947429125
(PS：这里画风突变是用了不同的IDE）
4，小结
其实，对于该例子，或者说是其他算法而言，从代码上来看，大致遵循这样的“套路”：
model = linear_model.LinearRegression() #使用线性回归
model.fit(X_train, y_train) #训练获得一个model
model.predict(X_test) # 预测
model.score(X_test, y_test) # 获取模型的score值
1).换成其他算法只需修改相应的算法类即可
2).另外，对于该例子或者说其他例子而言，完成一个实战 大致上的思路为:
获取相关数据—>特征选择—>模型选择—>训练数据—>评价模型—>预测结果
3).但在本文中主要是想让读者了解如何使用sklearn中的线性回归模型，所以并没有按照一个具体的流程完整的做出来，以后有机会也会写一写其中的一小个步骤。
4).至此，关于sklearn的线性回归基本用法就结束了，但需要注意的是，有些模型你得到后的参数是一个列表，外加列表外单独的一个数，列表外的那个数其实是截距，也就是常数，列表里面的则是系数
小郑感悟:
最后，本文是我第一次写此类文章，虽然内容不算多，也是忙活了一个下午（但我想主要还是我菜，心累。。。）首先是感受到提供技术文章的作者确实不易，在此十分感谢能无私提供学习文章的广大作者（译者）们。另外，我也是刚刚接触机器学习不久，过程中难免有疏忽、漏洞和错误的地方，也希望各位大神朋友们能不吝赐教，共同进步！
长按二维码，关注【菜鸟学python】