## 最小二乘線性回歸 > 使用最小二乘法近似答案的線性模型。 ## 訓練 訓練模型只需提供訓練樣本和目標值（作為`array`）。例： ``` $samples = [[60], [61], [62], [63], [65]]; $targets = [3.1, 3.6, 3.8, 4, 4.1]; $regression = new LeastSquares(); $regression->train($samples, $targets); ``` 您可以使用多個數據集訓練模型，預測將基于所有訓練數據。 ***** ## 預測 要預測樣本目標值，請使用`predict`方法和樣本進行檢查（作為`array`）。例： ``` $regression->predict([64]); // return 4.06 ``` ***** ### 多元線性回歸 倍數附加到線性回歸意味著有兩個或更多個樣本參數用于預測目標。例如，您可以使用：里程和生產年份來預測汽車的價格。 ``` $samples = [[73676, 1996], [77006, 1998], [10565, 2000], [146088, 1995], [15000, 2001], [65940, 2000], [9300, 2000], [93739, 1996], [153260, 1994], [17764, 2002], [57000, 1998], [15000, 2000]]; $targets = [2000, 2750, 15500, 960, 4400, 8800, 7100, 2550, 1025, 5900, 4600, 4400]; $regression = new LeastSquares(); $regression->train($samples, $targets); $regression->predict([60000, 1996]) // return 4094.82 ``` ***** ## 截距和系數 訓練模型后，您可以獲得截距和系數數組。 $regression- >getIntercept() //返回-7.9635135135131 $regression - > getCoefficients();// return [array（1）{[0] => float（0.18783783783783）}]