目标
学习如何使用一个变量实现线性回归模型。
导入需要的库
存储特征x和目标变量y
这是真实的训练集，[1.0,2.0]是房子的大小，[300,500]是房子的价格。
使用数组存储训练集的数据：
- x_train：存储的是所有特征，[1.0,2.0]，也就是房子的大小。
- y_train：存储的是所有目标变量，[300,500]，也就是是房子的价格。
获取训练样本的数量
由于我们要计算每一行训练样本的预测值，所以要知道一共有多少行训练样本，也就是求出m的值。
- shape[0]：查看特征数组里有几个特征，示例中有2个特征，代表2行训练样本，因此m=2。
- len：查看特征数组长度，数组里有2个特征，因此长度为2，也就是m=2。
获取每一组训练样本
- x_train[i]/y_train[i]：查看第i行训练样本的特征或目标变量。
绘制训练集的数据点
把训练集的每行训练样本，以数据点的形式绘制在图表里。
初始化w和b
根据线性回归的函数，我们需要先知道w和b的值，这里先不讨论w和b的计算过程，直接给出一个初始值。
计算线性回归的预测值
每一行的训练样本都需要计算出一个预测值，因此m的作用体现出来了，用于循环。
- f_wb = np.zeros(m)：为了方便存储每一行训练样本的预测值，因此需要创建一个初始值为0，元素数量为m个的数组。示例中的m=2，它就是这个样子:【0. 0.】
- w*x[i]+b:线性回归的计算公式，x[i]表示第一行训练样本的特征。
- f_wb[i]：存储第i-1行训练样本的预测值。
绘图线性回归预测值的图表
代码
蓝色线条是这段代码绘制的 plt.plot(x_train, tmp_f_wb, c='b', label='Our Prediction')。
输出结果含义：蓝色线条没有拟合数据点，也就是说，模型预测的y值和真实的数据点y值差距很大。因为我们设置的w和b不合适。
尝试不同的w和b
由于给出了正确的w和b，线性回归模型才能够完美预测，但如果使用不同的w和b，例如更换成w=200和b=100，结果如何？
先修改w和b
-输出结果 ：
-输出结果含义：按照我们初始化好的w和b的值，通过给定的x[1,2]和线性回归函数，计算出的预测值是准确的（预测值y帽[300,500]和训练集的y[300,500]），也就是说，我们的线性回归模型能够完美预测。
使用模型示例
经过上述的调整，我们找到了合适的w和b，因此我们的模型就可以用来预测房价了。
总结
首先我们将训练集的数据标记在图表上，然后要找到线性回归函数中合适的w和b。
设置到合适的w和b，我们需要计算每行训练样本的预测值。
通过计算好的预测值，我们要将线性回归函数的趋势绘制在图表中，通过是否能拟合训练集的数据点，来检测w和b是否合适。
由此可以看出，线性回归中比较重要的是要找到合适的w和b，才能比较完美的预测出靠近真实数据的预测值y帽。
这也引出了后面的课程，如何判断w和b是否合适？