1.导入所需要的库

        因为对回归方程进行评价的时候，常用指标是RMSE值，这个需要做数据技术（手写计算方程），所以要引入一个数学库，叫math。同时我们在做回归分析时都可以画散点图，所以引入matplotlib用来画图，还可以用均方误差来评价方程，把这个评价指标引进来。代码如下：

1. import numpy as np: 导入NumPy库，并将其命名为np。NumPy是一个用于科学计算的库，提供了支持多维数组和矩阵运算的功能。

2. import math: 这行代码似乎有误，正确的写法应该是 import math，用于导入数学函数模块。

3. import pandas as pd: 导入Pandas库，并将其命名为pd。Pandas是一个强大的数据分析和操作工具，提供了数据结构和数据分析工具。

4. import matplotlib.pyplot as plt: 导入Matplotlib库中的pyplot模块，并将其命名为plt。Matplotlib是一个绘图库，常用于生成各种图表和可视化数据。

5. from sklearn.model_selection import train_test_split: 从Sklearn库的model_selection模块中导入train_test_split函数。这个函数用于将数据集分割成训练集和测试集。

6. from sklearn.linear_model import LinearRegression: 从Sklearn库的linear_model模块中导入LinearRegression类。这个类实现了线性回归算法，可以用于预测连续值。

7. from sklearn.metrics import mean_squared_error: 从Sklearn库的metrics模块中导入mean_squared_error函数。这个函数用于计算均方误差（MSE），是评估回归模型性能的一种常用指标。

2.导入表格

通常我们在导入表格之前，需要先打开表格检查表格的内容是否存在问题，下表就是本次任务所需要导入的表中的内容。分别是父亲与儿子的 身高。确认表的内容没有问题后，我们开始导入所需的表格。

下图的这行代码使用Pandas库中的read_table函数从名为“FSHeight.txt”的文件中读取数据，并将其存储在变量data中。参数encoding="gb2312"指定了文件的编码格式为GB2312。然后通过head查看头五行数据。

随后通过info()这段代码,提供了关于DataFrame的基本信息，包括行数、列数、每列的名称、非空值数量、数据类型以及内存使用情况。这些信息有助于了解数据的结构和规模，从而进行进一步的数据处理和分析。.结果如图所示：

3.构建模型

如图片中的代码，是从DataFrame data中提取两列数据，并将它们分别存储在两个NumPy数组x和y中。这样做通常是为了后续的数据处理或机器学习任务，因为许多机器学习库（如Scikit-learn）需要输入数据为NumPy数组格式。

这段代码通过线性回归模型来拟合训练数据，并输出模型的系数和截距，用于解释和预测目标变量的值。模型系数为[0.51400591]，表示特征对目标变量的影响程度。截距为33.89280054066168，表示当特征值为0时，目标变量的预测值。

使用训练好的线性回归模型model对输入数据x进行预测，得到预测值y_pred。通过计算真实值和预测值之间的均方根误差来评估回归模型的性能。均方根误差越小，说明模型的预测性能越好。最火回归摸RMSE值为：2.435871609139341（这是实际输出的结果，显示了回归模型的均方根误差值。）

4.画图

这段代码通过matplotlib库绘制了一个包含真实数据点和预测数据的散点图，并添加了坐标轴标签和网格线，以便于数据的可视化分析。代码解释如下：

1. plt.plot(x, y, 'b.'):使用蓝色圆点（'b.'）绘制散点图，其中x是横坐标数据，y是纵坐标数据。

2. plt.plot(x, y_pred, 'r'):使用红色线条（'r'）绘制预测值y_pred与横坐标x之间的关系。

3. plt.xlabel("Father"):设置横坐标轴的标签为“Father”。

4. plt.ylabel("Son"):设置纵坐标轴的标签为“Son”。

5. plt.grid(True):显示网格线，以便更好地观察数据点的位置。

6. plt.show():显示绘制的图形。

5.测试模型

 

最后，使用训练好的线性回归模型model对输入数据[[67]]进行预测，并打印出68.33119668的预测结果。总结来说，这段代码通过线性回归模型对新的输入数据进行预测，并输出预测结果。到这里，本次任务就到此结束了。