Python是一种流行的编程语言，适用于各种数据分析和机器学习应用。其中一种机器学习应用就是线性回归。

线性回归是一种广泛使用的机器学习算法，用于预测连续变量的值。它是一种最小化拟合误差的方法。Python中有许多线性回归库，但最常用的是scikit-learn。

下面是如何在Python中实现线性回归的示例:

# 导入所需库
from sklearn import linear_model
import numpy as np
# 生成数据集
x_train = np.array([[1], [2], [3], [4], [5]]) # 自变量
y_train = np.array([[3], [5], [7], [9], [11]]) # 因变量
# 创建线性回归模型
reg = linear_model.LinearRegression()
# 拟合模型
reg.fit(x_train, y_train)
# 预测
x_test = np.array([[6]])
y_pred = reg.predict(x_test)
# 输出预测结果
print(y_pred)

以上代码中，我们首先导入了需要的库。然后生成了一个数据集，x_train是自变量，y_train是因变量。接着我们创建了一个线性回归模型reg，并使用fit（）方法将模型拟合到数据集上。

最后，我们给模型提供一个测试集x_test，使用predict（）方法预测输出y_pred，即我们的预测结果。

线性回归是机器学习中最基础的算法之一，但它在实际应用中非常有用。使用Python中的scikit-learn库，我们可以轻松地实现线性回归模型。