1.一進制線性回歸是學習機器學習的基礎部分。通常的問題模型是：問題的結果一般隻有一個因素影響（怎麼可能在現實的生活中找到這麼簡單的問題？？？）并且和這個因子成近似線性的關系。我們可以通過線性回歸來找到這條回歸直線，進而可以預測到下一步的結果。由于我們需要把資料可視化掉，是以我們還是先看看基本的可視化資料的一些東西。
（1）首先這是我們的資料：可以自己造資料
(2）我們要把這些資料讀出來，使用numpy讀取資料：
from sklearn.linear_model import LinearRegression
import numpy as np
import matplotlib.pyplot as plt
data=np.genfromtxt("D:/ML/data.csv",delimiter=',')
x_data=data[:,0]
y_data=data[:,1] 當然了，一般都是pandas和numpy結合使用來實作資料的載入：
#pandas讀取以及寫入檔案
import pandas as pd
file=pd.read_csv("D:/ML/data.csv")
print(file)
修改後b儲存
file.iloc[2,0]=0
file.to_csv("D:/ML/newdata.csv") （3）讀取資料之後，我們需要畫圖顯示資料，先學習一下基本的畫圖功能。畫圖我們使用matplotlib這個包中的plot。
#圖像
import matplotlib.pyplot as plt
import numpy as np
import math
x=np.linspace(-3,3,100)
y1=2*x+1
y2=x**2
plt.figure(figsize=(10,10))
plt.plot(x,y1)
plt.figure(figsize=(8,8))
plt.plot(x,y2)
plt.show() 我們可以先用這幾行代碼來畫一下簡單的圖，比如直線或者曲線等。解釋一下這裡面的figure，figure是一個畫布，如果不建立畫布，就會預設的畫在一個畫布上。當然了，這個圖還是很粗糙的，我們可以加一些控制。
#限制坐标的範圍
# 這樣設定以後就會顯示指定坐标範圍的圖像
plt.xlim((-1,2))
plt.ylim((-2,3))
#對xy的坐标進行描述
plt.xlabel("The x axis")
plt.ylabel("The y axis")
plt.plot(x,y1,color='red')
plt.plot(x,y2,color='blue')
plt.show()
# 散點圖
plt.scatter(np.arange(0,4),np.arange(0,4))
plt.show()
x=np.random.normal(0,1,500)
y=np.random.normal(0,1,500)
# 透明度
plt.scatter(x,y,s=50,c='b',alpha=0.5)
plt.show()
#直方圖
x=np.arange(10)
y=2**x+10
# 傳入資料并且指定顔色
plt.bar(x,y,facecolor='blue')
for x,y in zip(x,y):
plt.text(x,y,'%.2f' %y,ha='center')
plt.show() 好了，有了上邊的基礎，接下來我們就可以完整的寫一個線性回歸的代碼了。首先我們需要知道線性回歸是怎麼實作的，這個其實很簡單，就是最小二乘法。其實最小二乘法是梯度下降法的一種特殊形式，我們在多元線性回歸的分析中使用的也是這種方法，梯度下降法呢，這個需要一定的數學基礎，梯度在數學裡面一般值的是一個向量，意思就是沿着這個方向，函數的變化是最快的。高數裡面其實有着更加嚴格的定義。不過很好的是，python中有一個skearn庫，這裡面封裝了很多的常用的機器學習算法，我們可以直接調用（PS：這裡還是建議不懂梯度下降的小夥伴去學習一下算法原理，如果懂一點高數大概10分鐘就看懂了，隻會調庫是不行滴。）下面就結合着我們上邊給出的一個表格中的資料來做一下回歸：
from sklearn.linear_model import LinearRegression
import numpy as np
import matplotlib.pyplot as plt
data=np.genfromtxt("D:/ML/data.csv",delimiter=',')
x_data=data[:,0]
y_data=data[:,1]
# 做出散點圖看一下
plt.scatter(x_data,y_data)
# 設定坐标軸
plt.xlabel("Num")
plt.ylabel("Money")
# 給坐标加上次元。
x_data=data[:,0,np.newaxis]
y_data=data[:,1,np.newaxis]
# 建立一個model對象
model=LinearRegression()
# 填充資料
model.fit(x_data,y_data)
# 顯示資料繪制圖像
plt.plot(x_data,model.predict(x_data),'r')
plt.show() 得到的效果圖如下：
中間的那條紅色的直線就是我們的回歸直線。當然了，我們還可以做更加多的工作，比如檢視這個直線的方程什麼的，使用直線做出預測等。當然了，一進制線性回歸看上去可能是比較簡單，但是回歸的思想是很多回歸算法的基礎。是以初學者還是需要加深了解。