2.1.6　线性回归示例代码

在安装完成相应的Python包后就可以正式地对线性回归进行建模与求解了，详细完整的代码见Book/Chapter02/01_house_price_train.py文件。

1．导入包

首先需要将用到的相关Python包进行导入，代码如下：

2．制作样本（数据集）

制作用于训练模型的数据集，代码如下：

在上述代码中，第4行的作用是在真实的房价中加入一定的噪声（误差）。

3．定义模型并求解

通过sklearn中的LinearRegression类来对线性回归模型的参数进行求解与预测，代码如下：

在上述代码中np.reshape（x，（－1，1））表示把x变成[n，1]的形状，至于n到底是多少，将通过np.reshape函数自己推导出。例如x的shape为[4，5]，如果想把a改成[2，10]形状，则可以使用a.reshape（[2，10]），或者使用a.reshape（[2，－1]）进行形状的变换。

4．运行结果

最后，调用定义好的函数运行程序，并输出最后训练得到的参数结果，代码如下：

可以发现，其中参数w=7.97、b=－154.32，这就意味着h（x）=7.97x－154.32。在这之后，便可以通过h（x）来对新的输入进行预测了。同时，还能够根据求解后的模型画出对应拟合出的直线，如图2-6所示。

到此，便完成了对于线性回归第一阶段的学习。