Summary  
This chapter demonstrates how to implement a simple linear regression model by using NumPy’s polyfit function to calculate the best-fit line parameters, visualizing the data with a scatter plot and fitted line, and making predictions for new feature values.

General domain of usage  
Predicting child height from parental height data.

Você já conhece o que é regressão linear simples e como encontrar a linha que melhor se ajusta aos dados. Agora, você passará por todas as etapas de construção de uma regressão linear para um conjunto de dados real.

## Carregando os Dados
Temos um arquivo, `simple_height_data.csv`, com os dados dos nossos exemplos. Vamos carregar o arquivo e analisá-lo:

import pandas as pd

file_link = 'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/simple_height_data.csv'
df = pd.read_csv(file_link)	# Read the file

print(df.head())	# Print the first 5 instances from a dataset

O conjunto de dados possui duas colunas: a primeira é `'Father'`, que representa a **característica de entrada**, e a segunda é `'Height'`, que é nossa **variável alvo**.

Os valores alvo serão atribuídos à variável `y` e os valores da característica à variável `X`, para então construir um gráfico de dispersão.

import matplotlib.pyplot as plt

X = df['Father']	# Assign the feature
y = df['Height']	# Assign the target
plt.scatter(X,y)	# Build scatterplot
plt.show()

## Encontrando os Parâmetros
O NumPy possui uma função útil para encontrar os parâmetros da regressão linear.

A Regressão Linear é uma Regressão Polinomial de grau 1 (iremos abordar Regressão Polinomial em seções posteriores). Por isso, é necessário definir `deg=1` para obter os parâmetros da regressão linear.  
Veja um exemplo:

import numpy as np

beta_1, beta_0 = np.polyfit(X, y, 1)	# Get the parameters
print('beta_0 is', beta_0)
print('beta_1 is', beta_1)

Se você não está familiarizado com a sintaxe `beta_1, beta_0 = np.polyfit(X,y,1)`, isso é chamado de desempacotamento. Se você possui um iterador (por exemplo, lista, array do NumPy ou série do pandas) que contém dois itens, escrever
```python
a, b = my_iterator
```
é equivalente a
```python
a = my_iterator[0]
b = my_iterator[1]
```
E como o retorno da função `polyfit()` é um array do NumPy com dois valores, é permitido fazer isso.

Nota

## Realizando as Previsões
Agora podemos traçar a linha e prever novas variáveis utilizando os parâmetros.

plt.scatter(X,y)	# Build a scatter plot
plt.plot(X, beta_0 + beta_1 * X, color='red')	# Plot the line
plt.show()

Agora que temos os parâmetros, podemos usar a equação da regressão linear para prever novos valores.

X_new = np.array([65, 70, 75])	# Feature values of new instances
y_pred = beta_0 + beta_1 * X_new	# Predict the target
print('Predicted y: ', y_pred)

Portanto, é bastante simples obter os parâmetros da regressão linear. Porém, algumas bibliotecas também podem fornecer informações extras.

Você pode encontrar os parâmetros da Regressão Linear Simples usando a função do NumPy:

A Regressão Linear é um conceito fundamental em análise preditiva. É amplamente utilizada por cientistas de dados, analistas de dados e estatísticos, pois é fácil de construir e interpretar, mas poderosa o suficiente para diversas tarefas.

Vamos começar com o modelo mais simples de Regressão Linear! Você aprenderá o conceito por trás da Regressão Linear e como realizar previsões em Python.

A maioria das tarefas de previsão do mundo real envolve mais de uma variável. Você aprenderá como lidar com Regressão Linear com múltiplas variáveis.

Uma linha reta nem sempre descreve bem os dados. Vamos aprender como construir um modelo mais complexo para previsão! É para isso que a Regressão Polinomial é adequada.

Agora que você sabe como construir vários modelos de Regressão Linear, é necessário um método para escolher o melhor. Isso pode ser feito utilizando métricas. Esta seção explica as métricas mais utilizadas e as dificuldades que podem surgir ao utilizá-las.

Construindo Regressão Linear Usando NumPy

Carregando os Dados

Encontrando os Parâmetros

Realizando as Previsões