我准备使用scikit-learn给大家介绍一些模型的基础知识，今天就来讲讲线性回归模型。
1. 准备
开始之前，你要确保Python和pip已经成功安装在电脑上噢，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda
Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，准备开始输入命令安装依赖。
当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端运行命令安装依赖模块，多舒服的一件事啊：Python 编程的最好搭档—VSCode 详细指南。
在终端输入以下命令安装我们所需要的依赖模块：
pip install scikit-learn
2.简单的训练集
冬天快到了，深圳这几天已经准备开始入冬了。
从生活入手，外界温度对是否穿外套的影响是具有线性关系的：
现在，考虑这样的一个问题：如果深圳的温度是12度，我们应不应该穿外套?
这个问题很简单，上述简单的训练集中，我们甚至不需要机器学习就能轻易地得到答案：应该。但如果训练集变得稍显复杂一些呢：
你能看出其中x1, x2, x3和y之间的规律吗?
比较难，但是如果你有足够的数据(比如100个)，机器学习能够迅速解决这个问题。
为了方便展示机器学习的威力，我们在这里生产100个这样的训练集(公式为: y=x1 + 2*x2 + 3*x3)：
from random import randint
TRAIN_SET_LIMIT = 1000
TRAIN_SET_COUNT = 100
TRAIN_INPUT = list()
TRAIN_OUTPUT = list()
for i in range(TRAIN_SET_COUNT):
a = randint(0, TRAIN_SET_LIMIT)
b = randint(0, TRAIN_SET_LIMIT)
c = randint(0, TRAIN_SET_LIMIT)
op = a + (2*b) + (3*c)
TRAIN_INPUT.append([a, b, c])
TRAIN_OUTPUT.append(op)
然后让线性回归模型使用该训练集(Training Set)进行训练(fit)，然后再给定三个参数(Test Data)，进行预测(predict)，让它得到y值(Prediction)，如下图所示。
3. 训练和测试
为什么我使用sklearn?因为它真的真的很方便。像这样的训练行为，你只需要3行代码就能搞定：
from sklearn.linear_model import LinearRegression
predictor = LinearRegression(n_jobs=-1)
predictor.fit(X=TRAIN_INPUT, y=TRAIN_OUTPUT)
需要注意线性回归模型(LinearRegression)的参数:
n_jobs：默认为1，表示使用CPU的个数。当-1时，代表使用全部CPU
predictor.fit 即训练模型，X是我们在生成训练集时的TRAIN_INPUT，Y即TRAIN_OUTPUT.
训练完就可以立即进行测试了，调用predict函数即可：
X_TEST = [[10, 20, 30]]
outcome = predictor.predict(X=X_TEST)
coefficients = predictor.coef_
print('Outcome : {}\nCoefficients : {}'.format(outcome, coefficients))
这里的 coefficients 是指系数，即x1, x2, x3.
得到的结果如下：
Outcome : [ 140.]
Coefficients : [ 1. 2. 3.]
验证一下：10 + 20*2 + 30*3 = 140 完全正确。
如何，机器学习模型，用起来其实真的没你想象中的那么难，大部分人很可能只是卡在了安装 scikit-learn 的路上...
顺便给大家留个小练习，将下列欧式距离，使用线性回归模型进行表示。
解决思路和本文的方案其实是类似的，只不过需要变通一下。