回歸是一種有監督的學習方式，需要根據歷史數據對未知數據做出預測。

在此，以房屋面積預測房屋價格為例：

首先，讀入數據：

代碼如下：

import pandas as pd

import numpy as np

from io import StringIO

from sklearn import linear_model

import matplotlib.pyplot as plt

# 房屋面積與價格歷史數據(csv文件)

csv_data = 'square_feet,price\n150,6450\n200,7450\n250,8450\n300,9450\n350,11450\n400,15450\n600,18450\n'

# 讀入dataframe

df=pd.read_csv(StringIO(csv_data))

# print(df)

其次，建立線性回歸模型，并對數據進行擬合，代碼如下：

# 建立線性回歸模型

regr=linear_model.LinearRegression()

# 擬合

regr.fit(df['square_feet'].values.reshape(-1, 1), df['price'])

# 用values方法將Series對象轉化成numpy的ndarray，再用ndarray的reshape方法。

# 注意此處.reshape(-1, 1)，因為X是一維的！

得到模型的截距和斜率：

# 直線的截距，斜率

a,b=regr.coef_,regr.intercept_

兩種方式進行預測：

第一種方式是根據得到的模型直接進行的計算，第二種方式是根據回歸模型的預測方法Predict進行的預測，通過運行代碼可知兩種方法得到的結果一致。

# 給出待預測面積

area=238.5

# 方式1：根據直線方程計算的價格

print(a*area+b)

# 方式2：根據predict方法預測的價格

print(regr.predict(area))

繪圖，分別繪制散點圖和擬合的直線：

# 畫圖

# 1.真實的點(繪制的散點圖)

plt.scatter(df['square_feet'],df['price'],color='blue')

# 2.擬合的直線

plt.plot(df['square_feet'],regr.predict(df['square_feet'].values.reshape(-1,1)),color='red',linewidth=4)

plt.show()

至此，一元線性回歸模型就創建完成了！

對于模型的學習，建議大家在了解了算法的原理之后要動手實戰，畢竟機器學習或者數據挖掘重在實戰，我們最終是要做出模型來進行決策的。多動手，你會發現原本枯燥的原理、算法會變得清晰，自己也會更加感興趣！

總結

以上是生活随笔為你收集整理的python 进行一元线性回归并输出相关结果_Python实现一元线性回归实战的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。