机器学习的三大要素
机器学习包含三个基本要素：
1. 数据
数据是机器学习的燃料，质量越高、数量越多的数据，通常能让模型学得越好。
- 训练数据：用来教模型的数据
- 测试数据：用来检验模型学习效果的数据
- 真实数据：模型在实际应用中遇到的新数据
2. 算法
算法是机器学习的学习方法，不同的算法适用于不同类型的问题。
- 监督学习：有标准答案的学习
- 无监督学习：没有标准答案，自己找规律
- 强化学习：通过试错和奖励来学习
3. 模型
模型是学习的结果，就像学生学到的知识一样。
-
训练过程：算法从数据中学习规律
-
推理过程：使用学到的规律做预
"""
source https://www.runoob.com/ml/ml-tutorial.html
Scikit-learn 中的线性回归模型，封装了最小二乘法的实现
"""
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
import seaborn as sns
import matplotlibMatplotlib 的图形后端为 TkAgg（基于 Tkinter 的交互式后端）。
这通常在脚本或特定环境下（如某些 IDE 或服务器）需要显式设置，以确保图形窗口正常弹出
如果省略，Matplotlib 会自动选择默认后端。
matplotlib.use('TkAgg')
设置图表风格，让图表更好看
sns.set_style("whitegrid")
---------------------------------------设置中文字体 start---------------------------------------------------------------
plt.rcParams['font.sans-serif'] = [
# Windows 优先
'SimHei', 'Microsoft YaHei',
# macOS 优先
'PingFang SC', 'Heiti TC',
# Linux 优先
'WenQuanYi Micro Hei', 'DejaVu Sans'
]修复负号显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False
1、准备数据
假设我们有房屋面积和对应的价格数据
房屋面积（平方米）特征数据（房屋面积），形状为 (8,)。reshape(-1, 1) 将其转换为列向量，
即 (8, 1) 的二维数组，因为 Scikit-learn 的 fit 方法要求特征输入是二维的（每个样本一行，每个特征一列）
house_sizes = np.array([50, 60, 70, 80, 90, 100, 110, 120]).reshape(-1, 1)
房屋价格（万元）目标数据（房屋价格），是一维数组，形状为 (8,)。线性回归模型接受一维目标。
house_prices = np.array([150, 180, 210, 240, 270, 300, 330, 360])
print(house_sizes)
print(house_prices)2、创建并训练模型
创建线性回归模型 默认参数下，模型会计算截距（intercept）和系数（coefficient），
使用普通最小二乘法（OLS）拟合。
model = LinearRegression()
用数据训练模型（学习面积和价格之间的关系） 模型会根据输入的 house_sizes 和 house_prices
学习两者之间的线性关系：训练完成后，模型内部会保存(截距和斜率)这两个参数。
model.fit(house_sizes, house_prices)
3、使用模型进行预测 输入一个二维数组（或列表），这里 [[85]] 表示一个样本，
一个特征（85 平方米）。输出是一个一维数组，包含预测值。
predicted_price = model.predict([[85]])
print(predicted_price)
print(f"85 平方米的房屋预测价格：{predicted_price[0]:.2f} 万元")print(model.coef_)
print(model.intercept_)4、可视化结果
plt.scatter(house_sizes, house_prices, color='blue', label='实际数据')
plt.plot(house_sizes, model.predict(house_sizes), color='red', label="预测线")plt.scatter([85], predicted_price, color='green', s=100, label="预测点")
plt.xlabel('房屋面积（平方米）')
plt.ylabel('房屋价格（万元）')
plt.legend()
plt.grid(True)
plt.show()
相关知识：reshape(-1,1)
-1 的含义
-1 是一个特殊值，表示自动推断该维度的大小。它只能出现一次，因为如果有多个 -1，NumPy 无法唯一确定每个维度的大小。
例如：
原数组有 8 个元素，reshape(-1, 1) 表示新形状为 (x, 1)，其中 x * 1 = 8，所以 x = 8，结果形状为 (8, 1)。
原数组有 8 个元素，reshape(2, -1) 表示新形状为 (2, y)，其中 2 * y = 8，所以 y = 4，结果形状为 (2, 4)。
reshape(-1, 1) 的具体作用
当执行 arr.reshape(-1, 1) 时：
将原数组转换为一个二维数组，行数自动计算，列数为 1。
结果是一个列向量：每一行只有一个元素，相当于把一维数组"竖起来"。
model.coef_ 和 model.intercept_ 是线性回归模型训练后自动生成的属性，分别对应模型的系数（斜率）和截距。
-
model.coef_：一个数组，存储每个特征的权重。对于一元线性回归，它只有一个值，表示自变量（房屋面积）每增加一个单位，因变量（价格）平均变化多少。 -
model.intercept_：一个浮点数，表示当所有特征为 0 时的预测值（即回归直线与 y 轴的交点）
地址： https://www.runoob.com/ml/ml-tutorial.html
https://www.runoob.com/ml/ml-tutorial.html