简单线性回归(Simple Linear Regression)

简单线性回归：
有且仅有一个自变量x，一个因变量y，x、y之间有线性关系，并且y是连续型变量。
假设方程为：
$$y=b_0+b_{1}x$$
假设有n个样本（即有n个x，n个y）
算法步骤：

1. 求出$\overline{x}$$$\overline{x}=\frac{1}{n}\sum _{i=1}^n{x}_i$$
2. 求出$\overline{y}$$$\overline{y}=\frac{1}{n}\sum _{i=1}^n{y}_i$$
3. 求出$b_1$$$b_1=\frac{{\sum }_{i=1}^n(x_i-\overline{x})(y_i-\overline{y})}{{\sum }_{i=1}^n(x_i-\overline{x}{)}^2}$$
4. 求出$b_0$$$b_0=\overline{y}-k\overline{x}$$

代码（python）

import numpy as np
def fitSLR(x,y):
    n = len(x)
    numerator = 0
    denominator = 0
    for i in range(0,n):
        numerator +=(x[i]-np.mean(x))*(y[i]-np.mean(y))#np.mean()用于求均值
        denominator +=(x[i]-np.mean(x))**2
    b1 = numerator/float(denominator)
    b0 = np.mean(y)-b1*np.mean(x)
    return b0,b1
def predit(x,b0,b1):
    return b0+b1*x
x = [1,3,2,1,3]
y = [14,24,18,17,27]
b0,b1 = fitSLR(x, y)
x_test = 6
y_test = predit(x_test, b0, b1)
print(y_test)