在Python中实现简单的线性回归有多种方法，下面列举了几种常见的最佳实践方式： ### 1. 使用 `scikit-learn` 这是最推荐的方式之一。`scikit-learn` 提供了一个简洁而强大的 API 来完成各种机器学习任务，其中包括线性回归。 ```python from sklearn.linear_model import LinearRegression import numpy as np # 创建模拟数据集 X = np.array([[1], [2], [3]]) y = np.array([2, 4, 6]) model = LinearRegression() # 初始化模型 model.fit(X, y) # 拟合训练数据 print("斜率:", model.coef_) print("截距:", model.intercept_) ``` 优点： - 简洁易懂； - 支持正则化选项（Lasso/Ridge）； - 高度优化性能好。 --- ### 2. 手动计算公式法 (基于最小二乘) 通过手工推导出线性回归系数的闭式解，并直接应用到代码里去求得结果。 设直线方程为 \( y=mx+b \)，其中 m 表示斜率 b 表示偏移量，则可以根据给定的数据点组\( x_i , y_i\) 计算得到这两个未知数的具体数值： \[m=\frac{N\sum{(xy)}-\left(\sum{x}\right)\cdot\left(\sum{y}\right)}{N\sum{{x}^{2}}-{(\sum{x})}^2},b=\bar{y}-m\bar{x}.] ```python def simple_linear_regression(x, y): n = len(x) sum_x = sum(x); mean_x=sum_x/n; sum_y = sum(y); mean_y=sum_y/n; numerator = denominator = 0. for i in range(n): diff_Xi_meanXi=x[i]-mean_x diff_Yi_meanY=y[i]-mean_y numerator +=diff_Xi_meanXi*diff_Yi_meanY denominator+=pow(diff_Xi_meanXi,2.) slope=numerator/denominator # 斜率m intercept=mean_y-slope * mean_x # 截距b return {"slope":slope,"intercept":intercept} data={'X': [1.,2.,3.] ,'Y':[2.,4.,6.]} res=simple_linear_regression(**data) print(res) ``` 此方法的优点在于完全控制过程细节，适合教学用途或深入研究情况。 --- ### 3. 利用 NumPy 库中的 polyfit 函数 该函数可以方便地拟合一元多项式曲线，默认情况下也可以做一次性的普通最小平方直线逼近。 ```python import numpy as np x=np.array([1,2,3]) y=np.array([2,4,6]) z = np.polyfit(x,y,deg=1) # deg 设置阶次 p = np.poly1d(z) # 转换为 Polynomial 对象表示形式 print(p) ``` 这种方式特别适合快速实验验证阶段的小型项目需求。 ---