# 機器學習回歸 > 原文： [https://pythonbasics.org/machine-learning-regression/](https://pythonbasics.org/machine-learning-regression/) 線性回歸算法可預測連續值（例如價格，溫度）。這是針對初學者的機器學習算法系列中的另一篇文章。這是一種有監督的學習算法，您需要收集訓練數據才能使其工作。 ## 線性回歸 ### 簡介 分類輸出只能是離散值。 可以有`[0]`，`[1]`，`[2]`等。如果要輸出價格或其他連續值怎么辦？ 然后，您使用回歸算法。 假設您要根據特征預測房價。 收集數據是 的第一步。 特征可能是房間數量，以 m^2 為單位的面積，鄰里質量等。  ### 示例 寫下特征：`#area_m2`。對于我們的示例代碼，如下所示。 ```py from sklearn.linear_model import LinearRegression X = [[4], [8], [12], [16], [18]] y = [[40000], [80000], [100000], [120000], [150000]] model = LinearRegression() model.fit(X,y) # predict rooms = 11 prediction = model.predict([[rooms]]) print('Price prediction: $%.2f' % prediction) ``` 然后，您可以根據該數據創建繪圖（如果需要）。您看到面積與價格之間存在相關性。 這是線性關系。您可以使用線性回歸算法預測價格。 ### 解釋 首先，從學習的過程中導入線性回歸算法，然后定義訓練數據`X`和`Y`，其中`x`是面積，`y`是價格。 ```py model = LinearRegression() model.fit(X,y) ``` 線性回歸算法由于存在線性關系，因此我們使用訓練數據來訓練算法。 現在已經對算法進行了訓練，您可以使用該區域進行預測了。一個新示例，可以為您預測價格。 ```py rooms = 11 prediction = model.predict([[rooms]]) print('Price prediction: $%.2f' % prediction) ``` 僅當數據集中存在線性關系時，算法`LinearRegression`才有效。如果沒有，則需要多項式算法。 繪圖以確認存在線性關系。 [下載示例和練習](https://gum.co/MnRYU)