输入样本的属性个数唯一，输出个数唯一，简而言之可以在平面坐标系上构建点集，通常而言这样的点集可以用线性模型进行拟合
y = a*x + b设定以y表示输出值，x表示输入值，对于D={(x1,y1),(x2,y2),(x3,y3)……,(xn,yn)}，作为样例集，输入输出都是一维空间上的数，对于构建线性模型而言，二者无需通过复杂的矩阵建立联系，训练目的在于勾画出一条直线，标准，也就是确定模型参数的标准（模型种类已经选定）
最小均方误差（MMSE），即利用构建模型对所有训练集的样本进行预测，|y_r-y_p|，对于D={(),(),()}的所有x进行，预测值为y_p，而y_r为真实值，取其差值平方，求和，再除以D样例集总数，选定一个会使得MSE最小的参数a和b，实际上由于STEP的步进，a和b只是在STEP内满足MSE最小
a和b的初始取值，以及其变化的规律等，都有严格的数学推论
重要的是，此前的一些比赛中的单一传感器数据分析，2019年的电赛题目，纸张测量问题，实际上可以理解为一个机器学习的实践类题目，就是单一传感器的数据分析预测，隶属于机器学习里面的，监督学习，线性模型并且是回归类型模型（暂且定义为回归，因为纸张数只能取整数，预测值也需要取整，但并不影响回归模型的使用）
测定不同纸张数对应的传感器值（容值），D={(x0,0),(x1,1),(x2,2),(x3,3),……(x100,100)}，采集数据，保存记录.csv文件，利用Python进行模型拟合，求解
y = A*x + B 数据的预处理问题
一般原始的输入数据需要进行预处理，像归一化，去均值，去方差等，将处理后的数据用作输入值，输出值不变化，进行建模
pre_process = preprocessing.MinMaxScaler()
x = pre_process.fit_transform(source_set)对于IDE，建模完成后的模型视为其实例化的结构模型，但是一般比赛不允许使用电脑辅助（树莓派也属于），因此，需要将建模完成的模型参数输出，用于移植进入uC控制器
print (Line_Reg.coef_)
print (Line_Reg.intercept_)y_ = Line_Reg.coef_[0] * x_ + Line_Reg.intercept_[0]以浮点数植入控制器，使用时根据实际值四舍五入取整
然而，实际情况咋样？
如果该传感器的线性关系比较明显，那么通过建模是完全可行的，并且，应当可以达到较高的准确度（精度测量需要用设计的模型进行现场测试）
一种情况，如果该传感器的敏感度较高，那么一张纸的容值变换足够大，甚至连建模都不需要（在要求测试的纸张较小的情况下，如果是1000，10000，100000等量级，逐一测量，标定区分空间显然不现实），因此建模预测才是正规的方式
为了保证精度，通常取值不能太小，取定0、1、……、100张纸的容值作为训练集，（x,y），x表示容值，y表示对应的纸张数，对此训练集建模
将建立好的模型进行测试，取定[0:100]整数值作为验证集，测定其验证误差（误差太大可能需要修正，如果非常小，甚至是没有，则该模型可进一步测试），这里使用多次测量，排除偶然误差
plot.scatter(x_set,y_predict,color = 'yellow',label = 'test')
plot.scatter(x_set,y_real,color = 'purple',label = 'reference')测试集测试包括，随机选取D={(x101,101),(x201,201),(x301,301),(x401,401),(x501501)….,(x1001,1001)}，这里举例而已，不一定非得这些值，验证模型的测准率如何，如果完全测准（多次测量），则模型可用，如果差异较小（可以修正），模型可用，如果误差太大（无法修缮），则模型不可用，一般情况下，传感器的线性度较高时，应当没问题
传感器的datasheet
注意其线性度测量范围即可，不要超量程测量，因为非线性数据需要其它的模型预测，复杂度可能较高
print (Line_Reg.coef_)
print (Line_Reg.intercept_)