当前位置：首页 > news >正文

机器学习入门终极指南：简单线性回归完整实战教程（附Python代码示例）

news 2026/5/13 10:47:35

机器学习入门终极指南：简单线性回归完整实战教程（附Python代码示例）

【免费下载链接】100-Days-Of-ML-Code100-Days-Of-ML-Code中文版项目地址: https://gitcode.com/gh_mirrors/100/100-Days-Of-ML-Code

想要快速入门机器学习吗？100天机器学习计划为你提供了一个完美的学习路径！本文将详细介绍机器学习中最基础也是最实用的算法——简单线性回归，帮助你从零开始掌握这个强大的预测工具。无论你是编程新手还是有一定经验的开发者，这篇完整教程都将带你轻松进入机器学习的世界！

📊 什么是简单线性回归？

简单线性回归是机器学习中最基础、最直观的回归算法之一。它通过寻找两个变量之间的线性关系来进行预测。想象一下，你想根据学生的学习时间来预测他们的考试成绩——这就是简单线性回归的经典应用场景！

在100天机器学习项目中，简单线性回归是第2天的学习内容，紧随数据预处理之后。这个项目通过循序渐进的方式，帮助初学者在100天内系统掌握机器学习核心概念。

简单线性回归可视化简单线性回归模型示意图 - 展示学习时间与考试成绩的关系

🚀 简单线性回归的核心原理

简单线性回归的目标是找到一条最佳拟合直线，这条直线可以表示为：

y = b₀ + b₁x

其中：

y是我们要预测的因变量（如考试成绩）
x是自变量（如学习时间）
b₀是截距
b₁是斜率

算法的核心思想是最小化预测值与实际值之间的误差平方和，这个过程称为最小二乘法。

📈 实战步骤：从数据到预测

第一步：数据准备与预处理

在开始任何机器学习项目之前，数据预处理都是至关重要的第一步。在100天机器学习项目中，我们使用了一个简单的学生数据集：

import pandas as pd import numpy as np # 读取数据 dataset = pd.read_csv('datasets/studentscores.csv') X = dataset.iloc[:, :1].values # 学习时间 Y = dataset.iloc[:, 1].values # 考试成绩

这个数据集包含了两列数据：学习时间（Hours）和考试成绩（Scores）。你可以通过datasets/studentscores.csv查看完整数据。

第二步：划分训练集和测试集

为了评估模型的性能，我们需要将数据分为训练集和测试集：

from sklearn.model_selection import train_test_split X_train, X_test, Y_train, Y_test = train_test_split( X, Y, test_size=1/4, random_state=0 )

这里我们将75%的数据用于训练，25%的数据用于测试。

![机器学习数据可视化](https://raw.gitcode.com/gh_mirrors/100/100-Days-Of-ML-Code/raw/04e7076df2c8f99f9572f558a6e0c4489a030c04/Other Docs/data.png?utm_source=gitcode_repo_files)机器学习数据可视化示例 - 展示数据分布特征

第三步：训练简单线性回归模型

使用Scikit-learn库，训练模型变得非常简单：

from sklearn.linear_model import LinearRegression regressor = LinearRegression() regressor.fit(X_train, Y_train)

只需两行代码，我们就完成了模型的训练！

第四步：进行预测并评估

训练完成后，我们可以用测试集进行预测：

Y_pred = regressor.predict(X_test)

📊 结果可视化

可视化是理解模型性能的关键。我们可以分别查看训练集和测试集的结果：

训练集结果可视化：

import matplotlib.pyplot as plt plt.scatter(X_train, Y_train, color='red') plt.plot(X_train, regressor.predict(X_train), color='blue') plt.title('训练集结果') plt.xlabel('学习时间') plt.ylabel('考试成绩') plt.show()

测试集结果可视化：

plt.scatter(X_test, Y_test, color='red') plt.plot(X_test, Y_pred, color='blue') plt.title('测试集结果') plt.xlabel('学习时间') plt.ylabel('考试成绩') plt.show()

![逻辑回归训练结果](https://raw.gitcode.com/gh_mirrors/100/100-Days-Of-ML-Code/raw/04e7076df2c8f99f9572f558a6e0c4489a030c04/Other Docs/LR_training.png?utm_source=gitcode_repo_files)逻辑回归训练结果可视化 - 展示模型拟合效果