-----代码传送门----- -----数据传送门-----
一、具体实现步骤
第1步：数据预处理
代码语言：javascript复制import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
dataset = pd.read_csv('studentscores.csv')
X = dataset.iloc[ : , :1].values
Y = dataset.iloc[ : ,1].values
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=1/4, random_state=0)第2步：使用简单线性回归模型来训练训练集
代码语言：javascript复制from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor = regressor.fit(X_train, Y_train)第3步：预测结果
代码语言：javascript复制Y_pred = regressor.predict(X_test)第4步：可视化
训练集结果可视化
代码语言：javascript复制plt.scatter(X_train, Y_train, color='red')
plt.plot(X_train, regressor.predict(X_train), color='blue')
plt.show()测试集结果可视化
代码语言：javascript复制plt.scatter(X_test, Y_test, color='red')
plt.plot(X_test, regressor.predict(X_test), color='blue')
plt.show()二、可视化结果展示
训练集结果可视化结果
测试集结果可视化结果
三、知识点详解
1. 关于LinearRegression()
sklearn.linear_model包实现了广义线性模型，包括线性回归、Ridge回归、Bayesian回归等。LinearRegression是其中较为简单的线性回归模型。
解释一下什么是回归：回归最简单的定义是，给出一个点集D，用一个函数去拟合这个点集，并且使得点集与拟合函数间的误差最小，如果这个函数曲线是一条直线，那就被称为线性回归，如果曲线是一条二次曲线，就被称为二次回归。
更多关于回归知识见：线性回归
2. 关于数据可视化
plt.scatter()：绘画出训练集数据的散点图 plt.plot()：绘画出依据模型（LinearRegression的线性回归模型）生成的直线
更加直观的观察数据集中的X、Y是否存在线性关系
关于数据可视化更多知识见：Matplotlib 简介
有不足或者不对的地方欢迎留言指正！
