python实现简单线性回归

1，举例说明和建立模型：

（1）建立模型：

求得最佳的拟合函数yi和mean(y)的差的平方的最小值，即是.

条件：根据数据来拟合函数，拟合的斜率和截距计算如下；

                               

从而得出拟合函数是：

（ = ）

（2）举例说明：

汽车卖家做电视广告数量与卖出的汽车数量：

计算b1和b0:

从而得到拟合函数为：

我们从而可以通过x的值和拟合函数来估计y的值了,比如我们输入广告数量6,我们可以得到汽车数量为5*6+10=40。

3，现在我们用spyder来实现看看，新建一个linenar_regulation.py：

import numpy as np

def fitSLR(x, y):
    n = len(x)
    dinominator = 0
    numerator = 0
    for i in range(0, n):
        numerator += (x[i] - np.mean(x))*(y[i] - np.mean(y))
        dinominator += (x[i] - np.mean(x))**2
    b1 = numerator/float(dinominator)
    b0 = np.mean(y)/float(np.mean(x))
    return b0, b1

def predict(x, b0, b1):
    return b0 + x*b1

x = [1, 3, 2, 1, 3]
y = [14, 24, 18, 17, 27]    


b0, b1 = fitSLR(x, y)

print ("intercept:", b0, " slope:", b1)

x_test = 6

y_test = predict(6, b0, b1)

print ("y_test:", y_test)

代码运行结果如下：