回归是一种有监督的学习方式，需要根据历史数据对未知数据做出预测。

在此，以房屋面积预测房屋价格为例：

首先，读入数据：

代码如下：

import pandas as pd

import numpy as np

from io import StringIO

from sklearn import linear_model

import matplotlib.pyplot as plt

# 房屋面积与价格历史数据(csv文件)

csv_data = 'square_feet,price\n150,6450\n200,7450\n250,8450\n300,9450\n350,11450\n400,15450\n600,18450\n'

# 读入dataframe

df=pd.read_csv(StringIO(csv_data))

# print(df)

其次，建立线性回归模型，并对数据进行拟合，代码如下：

# 建立线性回归模型

regr=linear_model.LinearRegression()

# 拟合

regr.fit(df['square_feet'].values.reshape(-1, 1), df['price'])

# 用values方法将Series对象转化成numpy的ndarray，再用ndarray的reshape方法。

# 注意此处.reshape(-1, 1)，因为X是一维的！

得到模型的截距和斜率：

# 直线的截距，斜率

a,b=regr.coef_,regr.intercept_

两种方式进行预测：

第一种方式是根据得到的模型直接进行的计算，第二种方式是根据回归模型的预测方法Predict进行的预测，通过运行代码可知两种方法得到的结果一致。

# 给出待预测面积

area=238.5

# 方式1：根据直线方程计算的价格

print(a*area+b)

# 方式2：根据predict方法预测的价格

print(regr.predict(area))

绘图，分别绘制散点图和拟合的直线：

# 画图

# 1.真实的点(绘制的散点图)

plt.scatter(df['square_feet'],df['price'],color='blue')

# 2.拟合的直线

plt.plot(df['square_feet'],regr.predict(df['square_feet'].values.reshape(-1,1)),color='red',linewidth=4)

plt.show()

至此，一元线性回归模型就创建完成了！

对于模型的学习，建议大家在了解了算法的原理之后要动手实战，毕竟机器学习或者数据挖掘重在实战，我们最终是要做出模型来进行决策的。多动手，你会发现原本枯燥的原理、算法会变得清晰，自己也会更加感兴趣！