第十六天，我們正式踏入機器學習（Machine Learning）的領域！在昨天的半程專案中，我們完成了資料清理與特徵工程；今天我們要學習如何讓電腦「從數據中學習規律」，並對未知資料做出預測。在監督式學習中，最基礎且最具解釋性的模型就是線性回歸。今天我們建立純 Python 腳本 day16_linear_regression.py，掌握標準的訓練集與測試集切割、模型擬合訓練以及預測成效評估。

第一部分
新建 day16_linear_regression.py。首先模擬一組「工作年資」與「月薪」的連續型數據，並使用 train_test_split 將資料切分為 80% 的訓練集與 20% 的測試集，確保模型不會因為死記硬背所有資料而產生過度擬合：

第二部分
接著初始化 Scikit-Learn 的 LinearRegression 模型，並調用 .fit() 在訓練集上進行模型擬合。訓練完成後，我們印出模型學到的迴歸參數：斜率（Weight / Coefficient）與截距（Bias / Intercept）：

第三部分
模型訓練完成後，我們必須拿它從未看過的測試集 X_test 來進行預測，並使用兩大核心評估指標來驗證模型準確度：
均方誤差：評估預測值與真實值之間的平均平方誤差，數值越小越好。
判定係數：衡量模型解釋資料變異的能力，越接近 1 代表擬合效果越佳。
最後將回歸擬合線與測試集樣本繪製成圖檔：

第四部分
在終端機輸入 python day16_linear_regression.py 執行驗證，確認模型學習到的斜率、截距以及評估指標 MSE / R² 順利印出，且圖片 day16_linear_regression.png 生成完畢。確認存檔（Ctrl + S）後推送到 GitHub 進行版本控制：

今日心得/遇到的問題
今天正式跨進了機器學習的大門！最重要的一個觀念是資料集切割（train_test_split）：絕對不能把所有資料都拿去給模型訓練再用原資料評估，那樣就像是「把考試題目直接給學生背答案」，無法測出模型面對未知新資料的泛化能力（Generalization）。此外，特徵 X 丟進 Scikit-Learn 時必須是二維結構（DataFrame 或 reshape 成 (N, 1)），也是剛從 Pandas 轉到機器學習時需要特別注意的語法細節。