## 最小二乘线性回归 > 使用最小二乘法近似答案的线性模型。 ## 训练 训练模型只需提供训练样本和目标值(作为`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); ``` 您可以使用多个数据集训练模型,预测将基于所有训练数据。 ## 预测 要预测样本目标值,请使用`predict`方法和样本进行检查(作为`array`)。例: ``` $regression->predict([64]); // return 4.06 ``` ### 多元线性回归 倍数附加到线性回归意味着有两个或更多个样本参数用于预测目标。例如,您可以使用:里程和生产年份来预测汽车的价格。 ``` $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 ``` ## 截距和系数 训练模型后,您可以获得截距和系数数组。 $regression- >getIntercept() //返回-7.9635135135131 $regression - > getCoefficients();// return [array(1){[0] => float(0.18783783783783)}]