学习一门新技术的最好方法就是找一个需求然后用新技术实现一把。最近想试试Python的机器学习库，就想到了下面这个需求：
根据我从家里的出发时间和历史数据，预估我到达公司的时间。
要一下子实现这个需求并不容易，TDD教育我们要从最简单的测试用例开始，小步渐进地实现最终的需求。
最简单的测试是什么呢？我想应该是在没有任何历史数据积累的情况下，预估不出到达公司的时间，Python代码如下：
class EstArrivalTimeTest(unittest.TestCase):
def no_data_no_result(self):
eta = EstArrivalTime()
self.assertEqual(None, eta.of(
{
"departedHour": 7,
"departedMin": 10
}
))
其实影响到公司时间的因素很多，比如今天是礼拜几、是下雨天还是晴天、我是坐公交车还是共享单车去地铁站等等，TDD教育我们先完成再完美，所以输入参数我只选择了从家里出发的时间。运行测试，失败，写出下面的代码让测试通过：
class EstArrivalTime:
def of(self, input):
return None
下一个最简单的测试是什么呢？我想到了有一条历史数据的情况，比如昨天我7:10分从家里出发，8:30到公司，如果今天我也是7:10分出发，那么预计到达公司的时间也是8:30，就是需要80分钟的时间才能到公司，测试代码如下：
def one_data_simple_result(self):
eta = EstArrivalTime()
eta.learnFrom([
{
"departedHour": 7,
"departedMin": 10,
"estMinutes": 80
}
])
self.assertEqual(80, eta.of({
"departedHour": 7,
"departedMinute": 10}))
返回值类型是估计到达公司所需要的分钟数，怎么才能让这个测试通过了，可以先用最简单的线性回归模型，代码如下：
from sklearn.linear_model import LinearRegression
import numpy as np
class EstArrivalTime:
X = []
Y = []
model = None
def learnFrom(self, data):
for record in data:
self.X.append([
record['departedHour'],
record['departedMinute']])
self.Y.append(record['estMinutes'])
self.model = LinearRegression()
self.model.fit(self.X, self.Y)
def of(self, input):
if (self.model):
y_fit = self.model.predict([[
input['departedHour'],
input['departMinute']]])
return y_fit[0]
return None
其中X存储的是我从家里出发的所有历史时间（特征数据），Y存储的是相对应的我到达公司所需的所有历史分钟数（标注数据）。运行一下测试，幸运通过！精通机器学习注定是一个长期学习和积累的过程，希望这是一个良好的开端。
