1.线性回归基础

1：线性回归简介

1：应用场景：房价预测，销售额度预测，带块额度预测

2：定义与公式：

线性回归(Linear regression)是利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式。

特点：只有一个自变量的情况称为单变量回归，多于一个自变量情况的叫做多元回归

3：线性回归的特征与目标之间的关系

线性回归当中主要有两种模型，一种是线性关系，另一种是非线性关系。在这里我们只能画一个平面更好去理解，所以都用单个特征或两个特征举例子。

（1）：线性回归

单特征与目标值的关系呈直线关系，
两个特征与目标值呈现平面的关系，更高维度的我们不用自己去想，记住这种关系即可

（2）：非线性回归

2：线性回归api初步使用

1 线性回归API

sklearn.linear_model.LinearRegression()
- LinearRegression.coef_：回归系数

2：举例：

2.1：步骤分析

1.获取数据集
2.数据基本处理（该案例中省略）
3.特征工程（该案例中省略）
4.机器学习
5.模型评估（该案例中省略）

2.2 代码过程

from sklearn.linear_model import LinearRegression

#构造数据

x = [[80, 86],
[82, 80],
[85, 78],
[90, 90],
[86, 82],
[82, 90],
[78, 80],
[92, 94]]
y = [84.2, 80.6, 80.1, 90, 83.2, 87.6, 79.4, 93.4]

# 机器学习-模型训练
# 实例化api
estimator = LinearRegression()
estimator.fit(x,y)

# 查看系数
coef = estimator.coef_
print(coef)

# 预测值
val = estimator.predict([[100,80]])
print(val)