您尝试解决的 ML 问题类型是回归问题。本质上，给定您的属性，预测一个连续变量。

有多种方法可以解决您的问题，但是（假设属性是数字的）它们都归结为“绘制数据点，然后在它们之间画一条线”。不同的方法基于各种不同的误差度量来计算该预测器的位置；最基本的可能是最小二乘，旨在最小化平方误差的总和。

Metacademy 是一个很棒的在线学习 ML 相关内容的网站，因为它们提供了路线图，告诉您在学习 ______ 之前需要学习什么，以及如何学习这些先决条件。

这是线性回归元学院页面的链接，这是您要开始的地方。我建议观看 Andrew Ng 的 coursera 视频。如果您刚刚开始使用 ML，那么他的课程是一个精彩的介绍。但是，对于 coursera 课程的一个常见抱怨是它太浅了，并且被视为机器学习的概述。如果你认为自己更精通数学，我听说斯坦福课程（也由他教授）可能对你来说是更深入的资源。

您应该首先实现自己的基本线性回归，以便更深入地了解它的工作原理。之后，您可以只使用一个名为 scikit learn 的 python ML 库来执行回归（链接在这里）。我强烈建议您对所有 ML 算法都采用这种方法；努力至少了解算法在基本层面上是如何工作的。对于刚开始学习 ML 的人来说，看到 scikit learn 中所有已实现的算法继续将算法用作黑匣子，而不了解算法实际在做什么，这太容易了。

最后，为了评估不同的方法，您应该将数据集分成两个不同的部分；用于训练模型的训练集，然后是用于测试预测准确度的测试集。这里的想法是您的数据代表您将看到的“狂野”数据，因此通过故意隐藏一些数据，您可以有效地模拟算法在“现实世界”条件下的表现。

一般来说，人们会使用 70% 的数据用于训练，30% 的数据用于测试。稍后，当您进入具有多个参数的复杂模型时，这将有助于将您的数据分成 3 部分：训练，用于训练模型，验证，用于调整模型参数，最后是测试集，用于测量模型的准确性如何。

祝你好运！