上一篇拿了一段參考程式，以及自己寫的一小段與各位說明，我們人與機器的判斷狀況，這篇開始會開始逐項介紹我們在機器學習上會使用的功能。

以上我們上次介紹的部分是為，分類 Classification，最傳統的做法也是針對許多人最基礎的作法，也是常用在監督式學習，以上次我們的程式來說就是屬於一種 Classification 做法，今日我們要來談另外一種方式叫做 Regression
回歸的意思，相信這個字眼很多人也有聽過，那我們話不多說直接給他看下去。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cross_validation  import train_test_split
db = pd.read_csv("MLB.csv","encoding="big5")
x = db[["1"]]
y = db[["2"]]    
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.3,random_state=20170816)
------------------------------------------------
from sklearn import datasets,linear_model
regr=linear_model.LinearRegression()
regr.fit(x_train,y_train)

從上面程式來看，以虛線上方來說是將資料區下來做一個訓練資料，將資料切成兩份來做使用，其中有了四個參數，x_train,x_test,y_train,y_test，這四個參數，後方的 test_size=0.3 將 百分之 30 % 來做為測試，有 70 %資料是拿來訓練使用，後面的做法接下來就是拿進線性回歸來做分類，這個部分跟上一篇所做的 Classification 非常相近，一樣將參數使用 fit 做出資料，接著後續使用 matplotlib 把圖表給呈現出來，就會看出一條線的狀態，那條線就為線性回歸狀態。

當呈現出來的數值與點接近線段時，那這個結果就是我們要的，但是這個判斷方式也要經過查證，因為我們是利用 y = ax + b 的形式，來完成線性回歸的，因為每個 X 我們在上一篇講到就是會對應一個 Y 值的。

x = np.linspace(0,5,50)
y = 1.2 * x + 0.8 + 0.6 * np.random.randn(50)

以上是為某個大大所呈現出來的一個數據資料，因為我們在自主練習時很難找到實際的東西來做練習，所以通常會用假數據來做完美的練習，各位就可以使用我們上次所使用的 np.random.normal 也是可以，將兩邊數值取出來做資料辨識，再利用 sklearn 中的 LinearRegresstion 完成即可

那麼以上為本人對這次的簡單扼要介紹，以上為不專業AI的介紹，謝謝各位觀賞，那我們下篇見~~~~~

參考資料：https://dotblogs.com.tw/kevinya/2018/06/09/100819

https://to52016.pixnet.net/blog/post/343518241-%5Bpython%5D--%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%28scikit-learn%29---%E7%B0%A1%E5%96%AE%E5%9B%9E%E6%AD%B8%E5%88%86%E6%9E%90

https://to52016.pixnet.net/blog/post/343519054-%5Bpython%5D-logistic-regression%28%E7%BE%85%E5%90%89%E6%96%AF%E8%BF%B4%E6%AD%B8%29