sklearn实现一元线性回归

 from sklearn.linear_model import LinearRegression
 import numpy as np
 import matplotlib.pyplot as plt

 # 载入数据
 data = np.genfromtxt("data.csv",delimiter= ",")
 x_data = data[:,0]
 y_data = data[:,1]
 plt.scatter(x_data,y_data)
 plt.show()
 # 打印形状，（100，），100表示100个样本,表示一维的100个数据
 print(x_data.shape)

 # 取到所有行第一列，（下标从0开始），newaxis表示加上一个维度，sklearn处理时必须给数据加一个维度，否则处理时会报错
 x_data = data[:,0,np.newaxis]
 # 再次调用打印形状，得到结果（100,1），表示100行1列。
 print(x_data.shape)

 y_data = data[:,1,np.newaxis]
 # 创建并拟合模型，第一句是实现一个线性回归的类，创建一个模型model，再用fit完成建模，传入x_data和y_data
 model = LinearRegression()
 model.fit(x_data,y_data)

 LinearRegression(copy_X = True, fit_intercept = True, n_jobs = 1, normalize = False)
 # 画图，predict方法来进行做预测得到预测的值
 plt.plot(x_data,y_data,'b.')
 plt.plot(x_data,model.predict(x_data) ,'r')
 plt.show()

       最后结果如下：

(100,)
(100, 1)