线性回归是机器学习中的一种预测分析方法。它基本上用于检查两件事。

线性回归用于一个结果变量和一个或一个以上的预测变量。简单线性回归对一个结果和一个预测变量起作用。简单线性回归模型本质上是一个线性方程，其形式为 y=c+b*x ；其中y是因变量（结果），x是自变量（预测器），b是直线的斜率；也称为回归系数，c是截距；标记为常数。

线性回归线是一条最适合预测变量（自变量）和预测变量（因变量）之间图形的线。

收入与幸福数据集的回归线（绿色实线）。

在上图中，绿色的线是最佳拟合线；它被视为给定数据集的回归线。

决定回归线的最流行的方法之一是最小二乘法。这种方法主要是通过最小化每个数据点的垂直偏差的平方之和（位于线上的点的偏差为0）来找到数据的最佳拟合线。由于偏差的平方，偏差的正负值之间没有抵消。

将因变量和自变量相互绘制后的散点图

第1步： 安装并加载所需的软件包。读取并探索数据集。你也可以使用 setwd() 函数设置笔记本的工作目录，将目录的路径（数据集存放的地方）作为参数传入。