Sklearn 机器学习 线性回归
💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在CSDN上与你们相遇～💖
本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】
Sklearn 机器学习线性回归实战详解
线性回归是机器学习中最基础也最经典的算法之一，适用于预测连续型变量。本文将从线性回归原理出发，逐步带你掌握以下内容：
- 📘 什么是线性回归
- 📌 如何用 Numpy 实现正规方程线性回归
- 🧠 如何用 Sklearn 快速训练线性回归模型
- 📂 如何从 CSV 文件中读取数据进行建模预测
适合希望从理论到实践系统掌握线性回归的读者！
📘 一、什么是线性回归
线性回归（Linear Regression）是一种用于建模输入特征（自变量）与目标值（因变量）之间线性关系的监督学习算法。
1. 模型公式
最基本的一元线性回归公式如下：
y ^ = θ 0 + θ 1 x \hat{y} = \theta_0 + \theta_1 x y^=θ0+θ1x
其中：
- $\hat{y}$：预测值
- $x$：输入变量
- $\theta_0$：截距（bias）
- $\theta_1$：权重系数（slope）
多元线性回归可推广为：
y ^ = θ 0 + θ 1 x 1 + θ 2 x 2 + ⋯ + θ n x n \hat{y} = \theta_0 + \theta_1 x_1 + \theta_2 x_2 + \cdots + \theta_n x_n y^=θ0+θ1x1