线性回归是机器学习中的基础算法之一，属于监督学习中的回归问题，算法的关键在于如何最小化代价函数，通常使用梯度下降或者正规方程（最小二乘法），在这里对算法原理不过多赘述，建议看吴恩达发布在斯坦福大学上的课程进行入门学习。

这里主要使用python的sklearn实现一个简单的单变量线性回归。

sklearn对机器学习方法封装的十分好，基本使用fit,predict,score，来训练，预测，评价模型，

一个简单的事例如下：

from pandas import DataFramefrom pandas import DataFrameimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn import datasets,linear_model X=[]Y=[]with open("C:\\Users\\www\\ex1data1.txt","r") as f: #读取txt文件。 for line in f: p_tmp, E_tmp = [float(i) for i in line.split(',')] X.append(p_tmp) Y.append(E_tmp) #'data=np.loadtxt('ex1data1.txt',delimiter=',')# X=data[0]# Y=data[1] data=DataFrame(X,columns={'a'})data['b']=bX=DataFrame(X) fig = plt.figure() ax1 = fig.add_subplot(1,1,1)plt.scatter(data['a'],data['b']) #显示X，Y的散点图 def linear_model_main(X,Y,predict_value): #定义一个使用线性回归的函数 regr=linear_model.LinearRegression() regr.fit(X,Y) #训练模型 predict_output=regr.predict(predict_value) #预测 predictions={} #用一个集合装以下元素 predictions['intercept']=regr.intercept_ #截距 predictions['codfficient']=regr.coef_ #斜率（参数） predictions['predict_value']=predict_output #预测值 return predictions result = linear_model_main(X,Y,1500) #调用函数print(result['predict_value']) def show_predict(X,Y): regr=linear_model.LinearRegression() regr.fit(X,Y) plt.scatter(X,Y,color='blue') plt.plot(X,regr.predict(X),color='red') show_predict(X,Y)

最后拟合结果如图：

以上这篇python实现简单的单变量线性回归方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。