机器学习入门篇 – 线性回归和梯度下降

本文适合机器学习零基础的同学阅读，从最简单的一元线性回归，讲解机器学习的基本概念，以及最常用的优化算法 - 梯度下降法。

一、线性回归算法

假设一个馒头厂老板娘，招聘了5位会做手工馒头的大师傅，大师傅的水平参差不齐，做出来的馒头大小软硬不尽相同，所用的面粉重量也不同。开张第一天就收到一笔1000个馒头的订单，老板娘需要计算出应该购入多少面粉作为原料。

老板娘统计了5位大师傅所做馒头的数量和相应使用面粉的重量的数据，如下：

	馒头数量	所用面粉重量
大师傅1	5	1.5kg
大师傅2	8	1.6kg
大师傅3	12	4kg
大师傅4	16	4.5kg
大师傅5	20	7kg

为了看起来更加直观，勤快的老板娘把统计数据绘制在了坐标纸上，x轴是馒头数量，y轴是面粉重量。

上面列出的五个点，就表示了一个数据集，在机器学习中，也被称为训练集。
现在老板娘的任务是根据训练集，预测1000个馒头需要多少面粉。这是一个回归问题。
回归一词指的是我们根据已有的数据集去预测出一个输出值。

为了完成任务，老板娘找来一些符号作为辅助。
m 表示训练集的样本数量。（在这个数据集中，m=5）
x表示输入变量，往往也被称为特征量。（在这里，x = 1000）
y表示输出变量或者目标变量。（在这里，y是1000个馒头的面粉用量）
(x, y) 表示一个训练样本。在上面的坐标图中，一个点对应一个训练样本。

这样一来，训练集的样本就变成了：
(5, 1.5) (8, 1.6) (12, 4) (16, 4.5) (20, 7)
为了表示具体的某个训练样本，老板娘机智地使用上标(i)来表示。
$(x^{(1)},y^{(1)})$ 即为(5, 1.5)
$(x^{(2)},y^{(2)})$ 即为(8, 1.6)
以此类推。

好了，至此，老板娘有一个重要发现，貌似x和y之间有某种联系啊，她大胆做出一个假设：
$y=a\cdot x$
上面的这种x和y之间的联系，叫做映射，在机器学习里面，上面的函数方程，通常被写成：
$h(x)={\theta }_0\cdot x$
h是hypothesis的缩写，这个单词是假设的意思。${\theta }_0$是常量。
不要小看这个函数，我们已经迈出了机器学习的第一步，它是机器学习中最简单的模型，老板娘激动地给它起名为线性回归模型，${\theta }_0$称为模型参数。

二、损失函数

老板娘兴奋地意识到，找到正确的${\theta }_0$，不就万事大吉了吗？她找来直尺，在坐标纸上画了3条经过原点的直线。

我们如何知道哪一条直线是最拟合训练集的呢？
老板娘想到一个好办法：去计算每个点到该条直线的竖直（沿着y轴）距离之和，和越小，表明这条直线越拟合我们的训练集。

计算点到直线的竖直距离，老板娘简单地考虑直接用$y^{(i)}$减去$h(x^{(i)})$。
如样本$(x^{(2)},y^{(2)})=(8,1.6)$，那么$x^{(2)}=8，y^{(2)}=1.6$
紫色直线的函数为$h(x^{(i)})=0.3\cdot x^{(i)}$
现在要计算样本2到紫色直接的距离， $h(x^{(i)})-y^{(i)}=h(x^{(2)})-y^{(2)}=0.3\ast 8–1.6=0.8$
但是这样的计算方式有问题，样本三计算的结果$h(x^{(3)})-y^{(3)}=0.3\ast 12-4=-0.4$是负数，这不能表示距离。老板娘马上考虑到给每个计算结果加上绝对值不就可以了吗？但是绝对值的求值是很麻烦的，要分条件处理，最后她想到一个好办法，取平方。
于是老板娘把样本点到预测函数的距离定义如下：

$(h(x^{(i)})-y^{(i)}{)}^2$

那么整个训练集中每个样本点到预测函数的距离可以表示为：

${\sum }_{i=1}^m{\left(h(x^{(i)})-y^{(i)}\right)}^2$

老板娘又给这个函数起了一个名字，叫做损失函数。顾名思义，损失函数越小，证明我们选的预测函数越完美。
老板娘推导的损失函数已经很完美，但跟在机器学习中所定义的，还有一点点差别，真正的损失函数如下：

$J({\theta }_0)=\frac{1}{2m}{\sum }_{i=1}^m{\left(h(x^{(i)})-y^{(i)}\right)}^2$

老板娘问：前面加一个$\frac{1}{2m}$是起什么作用呢？
首先解释$\frac{1}{m}$，因为后面$\sum$求m个数的和，为了取平均数，所以除以样本个数m。
至于$\frac{1}{2}$，这个跟我们后面要讲的梯度下降有关，是为了抵消掉取平方的那个上角2。
老板娘又问：$J({\theta }_0)$的J字母是从哪个单词来的呢？这个我也不知道了。
由上面的函数，老板娘进一步推导了$J({\Theta }_0)$，如下：

$J({\theta }_0)=\frac{1}{2m}{\sum }_{i=1}^m$