前面只是用简单的几行代码实现线性回归，这样的缺点是可移植性差、扩展性差，多次运用的时候需要重写很多代码，这就很糟糕了。而如果直接调用 sklearn库来实现，又无法深刻理解线性回归的实现原理，因此在此试着自己创造一个线性回归模型。

一、新建一个文件夹，用于放置线性回归模型模块：

二、在SimpleLinearRegress模块中编写线性回归类：

回顾一下a和b的计算公式：

import numpy as np

class SimpleLinearRegression1(object):
    def __init__(self):
        """计算出来的变量，后缀加上_"""
        self.a_ = None # 表示线的斜率
        self.b_ = None # 表示线的截距

    def fit(self, X_train, Y_train):
        """训练模型"""
        X_mean = np.mean(X_train)
        Y_mean = np.mean(Y_train)
        num = 0.0 # 分子Numerator
        deno = 0.0 # 分母Denominator
        
        for x, y in zip(X_train, Y_train):
            num += (x - X_mean) * (y - Y_train)
            deno += (x - X_mean) ** 2
        self.a_ = num / deno
        self.b_ = Y_mean - self.a_ * X_mean

    def _predict(self, x):
        """预测单个x的结果"""
        return self.a_ * x + self.b_

    def predict(self, X):
        """预测X的结果，X是一维的数据"""
        y_predict = [self._predict(x) for x in X]
        return np.array(y_predict)

    def __repr__(self):
        return ('SimpleLinearRegression1(a=%s, b=%s)' %(self.a_, self.b_))

三、使用刚才创建的线性回归模型：

from playML.SimpleLinearRegression import SimpleLinearRegression1
import numpy as np
import matplotlib.pyplot as plt

x = np.array([1, 2, 3, 4, 5])
y = np.array([1, 3, 2, 3, 5])

x_predict = 6

reg1 = SimpleLinearRegression1()
reg1.fit(x, y)

print(reg1.predict(np.array([x_predict]))) # 必须是一维数组

y_hat1 = reg1.predict(x) # 预测值

plt.scatter(x, y)
plt.plot(x, y_hat1, color='r')
plt.axis([0, 6, 0, 6])
plt.show()

参考资料：bobo老师机器学习教程