1. 导入包
import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model
2. 加载训练数据
# 建立datasets_X和datasets_Y用来存储数据中的房屋尺寸和房屋成交价格。
datasets_X = []
datasets_Y =[]
fr = open('prices.txt','r')
lines = fr.readlines()
for line in lines:
items = line.strip().split(',') # 去除数据文件中的逗号
datasets_X.append(int(items[0]))
datasets_Y.append(int(items[1]))
length = len(datasets_X)
datasets_X = np.array(datasets_X).reshape([length,1]) #将dataset_X转化为数组，并变为二维，以符合线性回归拟合函数输人参数要求。
datasets_Y = np.array(datasets_Y)
3. 建立回归方程
# 以数据datasets_X的最大值和最小值为范围，建立等差数列，方便后续画图。
minX = min(datasets_X)
maxX = max(datasets_X)
X = np.arange(minX,maxX).reshape([-1,1])
linear = linear_model.LinearRegression()
linear.fit(datasets_X, datasets_Y)
调用sklearn.linear_model.LinearRegression()所需参数:
- fit_intercept :布尔型参数，表示是否计算该模型截距。可选参数。
- normalize : 布尔型参数，若为True，则X在回归前进行归一化。可选参数。默认值为False。
线性回归fit函数用于拟合输人输出数据，调用形式为linear.fit(X,y, sample weight=None) :
X:为训练向量;
y:为相对于X的目标向量
sample_weight:分配给各个样本的权重数组，一般不需要使用，可省略。
可以使用以下属性来查看模型的参数：
coef_ 属性存储线性回归模型的系数（斜率），它是一个数组，每个特征对应一个系数。
intercept_ 属性存储截距。
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X, y)
slope = model.coef_
intercept = model.intercept_
一旦模型被训练，你可以使用 predict(X)方法来进行预测，其中 X 是要进行预测的特征矩阵。该方法返回预测的目标变量值。
y_pred = model.predict(X)
4. 可视化处理
plt.scatter(datasets_X, datasets_Y, color = 'red')
plt.plot(X，linear.predict(X)， color = 'blue')
plt.xlabel('Area')
plt.ylabel('Price')
plt.show()