已跪！终于有人把Python线性回归全面解释清楚了

简单的线性回归用于预测分析和推断。在这种类型中，存在一个自变量和一个因变量。每当建模中存在因果关系时，我们都会进行回归分析。当我们使用因子分析技术时，性能在实时分析中更加准确。回归分析基础知识在有监督的机器学习中的使用。这里要注意的三件事：

• 我们需要数据来进行分析，对于整个人群来说，这是一个非常繁琐的任务，因此我们需要获取样本数据进行分析。
• 获取数据后，我们需要设计一个模型，使其适用于整个人群。
• 建模之后，我们可以对总体进行预测。

直线方程为

y = mx + b

这里，

Y是因变量（结果）或预测变量。

X是一个 自变量。

M是一个斜率，或者我们可以说是梯度。

B是y轴上的值截距。

Y是X的函数。回归模型是线性近似。为了获得良好的预测，我们需要找到B和M。

例子：

假设我们具有“能量”和“公里数”的适应性数据。

我们需要找到乙和中号。查找这些值得公式如下：

M =样本数*（XY总和-X总和* Y总和）/样本数*（X平方总和-X总和的平方）

B = Y总和-M * X总和/样本数

该图显示了这些值。