线性回归

由于监督学习由目标或结果变量（或因变量）组成，其将从给定的一组预测变量（自变量）预测。使用这些变量集，我们生成一个将输入映射到所需输出的函数。训练过程一直持续到模型在训练数据上达到所需的准确度。

因此，有许多监督学习算法的例子，所以在这种情况下我想关注线性回归

线性回归用于根据连续变量估算实际值（房屋成本，看涨期权，总销售额等）。在这里，我们通过拟合最佳线来建立独立变量和因变量之间的关系。该最佳拟合线称为回归线，并由线性方程 Y = a * X + b 表示。

理解线性回归的最佳方法是重温这种童年经历。让我们说，你问一个五年级的孩子，通过增加体重的顺序来安排他们班上的人，而不是问他们的体重！ 你觉得孩子会怎么做？他/她可能会在人的身高和体型上进行（视觉分析），并使用这些可见参数的组合进行排列。

这是现实生活中的线性回归！ 孩子实际上已经发现高度和构建将通过关系与权重相关联，这看起来像上面的等式。

在这个等式中：

Y – Dependent Variable
a – Slope
X – Independent variable
b – Intercept

这些系数 a 和 b 是基于最小化数据点和回归线之间的距离的平方差的总和而导出的。

请看下面的例子。这里我们已经确定了具有线性方程 y = 0.2811x + 13.9 的最佳拟合线。现在使用这个等式，我们可以找到重量，知道一个人的身高。

线性回归主要有两种类型：简单线性回归和多元线性回归。简单线性回归的特征在于一个独立变量。并且，多元线性回归（顾名思义）的特征是多个（超过 1 个）自变量。在找到最佳拟合线时，你可以拟合多项式或曲线回归。这些被称为多项式或曲线回归。

只是暗示在 Python 中实现线性回归

#Import Library
#Import other necessary libraries like pandas, numpy...
from sklearn import linear_model

#Load Train and Test datasets
#Identify feature and response variable(s) and values must be numeric and numpy arrays

x_train=input_variables_values_training_datasets
y_train=target_variables_values_training_datasets
x_test=input_variables_values_test_datasets

# Create linear regression object

linear = linear_model.LinearRegression()

# Train the model using the training sets and check score

linear.fit(x_train, y_train)
linear.score(x_train, y_train)

#Equation coefficient and Intercept

print('Coefficient: \n', linear.coef_)
print('Intercept: \n', linear.intercept_)

#Predict Output

predicted= linear.predict(x_test)

我已经提供了一些关于理解监督学习挖掘线性回归算法以及一段 Python 代码的一瞥。