??親愛的技術愛好者們，熱烈歡迎來到 Kant2048 的博客！我是 Thomas Kant，很開心能在CSDN上與你們相遇～??
本博客的精華專欄：
【自動化測試】 【測試經驗】 【人工智能】 【Python】
Sklearn 機器學習線性回歸實戰詳解
線性回歸是機器學習中最基礎也最經典的算法之一，適用于預測連續型變量。本文將從線性回歸原理出發，逐步帶你掌握以下內容：
- ?? 什么是線性回歸
- ?? 如何用 Numpy 實現正規方程線性回歸
- ?? 如何用 Sklearn 快速訓練線性回歸模型
- ?? 如何從 CSV 文件中讀取數據進行建模預測
適合希望從理論到實踐系統掌握線性回歸的讀者！
?? 一、什么是線性回歸
線性回歸（Linear Regression）是一種用于建模輸入特征（自變量）與目標值（因變量）之間線性關系的監督學習算法。
1. 模型公式
最基本的一元線性回歸公式如下：
y ^ = θ 0 + θ 1 x \hat{y} = \theta_0 + \theta_1 x y^?=θ0?+θ1?x
其中：
- $\hat{y}$：預測值
- $x$：輸入變量
- $\theta_0$：截距（bias）
- $\theta_1$：權重系數（slope）
多元線性回歸可推廣為：
y ^ = θ 0 + θ 1 x 1 + θ 2 x 2 + ? + θ n x n \hat{y} = \theta_0 + \theta_1 x_1 + \theta_2 x_2 + \cdots + \theta_n x_n y^?=θ0?+θ1?x1?
