为了表示这条直线能够最好地拟合所有的点，我们把这些正误差和负误差通 通平方一下，然后累加，方差和最小的那条直线，就是拟合最好的直线，所以实 际上在这里我们用到了最小二乘法。最小二乘法的数学描述就是把所有的β值表 示成一个向量，如果每一个实际的y的取值与通过x的取值与β向量的乘积产生 的预测值之间的方差累加起来最小，那么这就是我们要找得这条向量，所以我们 可以看到最佳拟合直线产生的残值残差平方和是最小的。 MIN) 怎样计算简单线性模型中的β向量呢？下面是最小二乘法给出的计算公式， 用每一个x的值与x的平均值的差和y的值与y的平均值的差的积累加起来，除 以×与x的平均值的方差的累加和就得到了B1。B0是基于B1计算的，它等于y 的平均值减去β1乘以×的平均值。它的数学原理在这里我们就不用去深究了。 感兴趣的同学可以自己去查看它的证明和推导过程。 B。=y-月x 为什么不用深究呢？因为Python已经帮我们把这些功能实现了。例如，下 面是一个通过最小二乘法来计算刚才我们看到的β0和β1的脚本。首先，我们从 sklearn这个库里面导入线性模型，然后在线性模型这个对象上获取线性回归模 型对象。我们抽取训练集当中的两列：发动机的大小和二氧化碳的排放量，分别 放到train_x、train_y中，然后调用刚才的线性回归模型对象上的ft方法，传递 进去自变量数组和因变量数组，也就是train_x、train_y,那么它就会自动地帮我 们计算出来相应的β0和β1，也就是说它会自动地产生拟合出来的直线。我们最 后可以通过两个print的方法得到β1是38.68021623，而β0，也就是截距，是为了表示这条直线能够最好地拟合所有的点，我们把这些正误差和负误差通 通平方一下，然后累加，方差和最小的那条直线，就是拟合最好的直线，所以实 际上在这里我们用到了最小二乘法。最小二乘法的数学描述就是把所有的β值表 示成一个向量，如果每一个实际的 瀌 的取值与通过 瀋 的取值与β向量的乘积产生 的预测值之间的方差累加起来最小，那么这就是我们要找得这条向量，所以我们 可以看到最佳拟合直线产生的残值残差平方和是最小的。 怎样计算简单线性模型中的β向量呢？下面是最小二乘法给出的计算公式， 用每一个 瀋 的值与 瀋 的平均值的差和 瀌 的值与 瀌 的平均值的差的积累加起来，除 以 瀋 与 瀋 的平均值的方差的累加和就得到了β1。β0 是基于β1 计算的，它等于 瀌 的平均值减去β1 乘以 瀋 的平均值。它的数学原理在这里我们就不用去深究了。 感兴趣的同学可以自己去查看它的证明和推导过程。 为什么不用深究呢？因为 P瀌瀇濻瀂瀁 已经帮我们把这些功能实现了。例如，下 面是一个通过最小二乘法来计算刚才我们看到的β0 和β1 的脚本。首先，我们从 瀆濾濿濸濴瀅瀁 这个库里面导入线性模型，然后在线性模型这个对象上获取线性回归模 型对象。我们抽取训练集当中的两列：发动机的大小和二氧化碳的排放量，分别 放到 瀇瀅濴濼瀁_瀋、瀇瀅濴濼瀁_瀌 中，然后调用刚才的线性回归模型对象上的 濹濼瀇 方法，传递 进去自变量数组和因变量数组，也就是 瀇瀅濴濼瀁_瀋、瀇瀅濴濼瀁_瀌，那么它就会自动地帮我 们计算出来相应的β0 和β1，也就是说它会自动地产生拟合出来的直线。我们最 后可以通过两个 瀃瀅濼瀁瀇 的方法得到β1 是 38.68021623，而β0，也就是截距，是