线性回归是一种统计学方法，用于建立自变量和因变量之间的线性关系模型。以下是一个使用Python和scikit-learn库进行线性回归的简单示例代码：
```python
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
创建数据集
X = np.array（[, , , , ]） 特征
y = np.array（[2, 4, 5, 4, 5]） 目标值
创建线性回归模型
model = LinearRegression（）
训练模型
model.fit（X, y）
打印模型参数
print（"斜率：", model.coef_）
print（"截距：", model.intercept_）
进行预测
X_new = np.array（[]）
y_pred = model.predict（X_new）
print（"预测值：", y_pred）
绘制拟合直线
plt.scatter（X, y, color='blue'） 原始数据点
plt.plot（X, model.predict（X）, color='red'） 拟合直线
plt.show（）
```
在这段代码中，我们首先导入了必要的库，然后创建了一个简单的数据集。接着，我们实例化了一个`LinearRegression`模型，并使用`.fit（）`方法来训练模型。训练完成后，我们可以使用`.coef_`和`.intercept_`属性来获取模型的斜率和截距。最后，我们使用`.predict（）`方法来进行预测，并使用`matplotlib`库来绘制原始数据点和拟合直线。
如果你想要使用其他编程语言进行线性回归，你可以查找相应语言的线性回归库或编写自定义代码来实现。例如，在R语言中，你可以使用`lm（）`函数来进行线性回归分析。在JavaScript中，你可以使用TensorFlow等深度学习框架来计算线性回归模型。在C语言中，你可以编写一个程序来手动计算线性回归的参数。
选择哪种编程语言和方法取决于你的具体需求、熟悉程度以及项目的具体环境。