AI实践之路：线性回归 Linear Regression

自学机器学习以来，因为非科班出身，学的很吃力，总觉得自己还差的太多太多，一直希望写下自己的理解，择日不如撞日，今天心血来潮，就这样开始吧，就为写着自己能理解读着舒服，顺带记录自己的成长。打算公开出来，帮助别人不敢说，希望能让人指出自己的错误与不足。

1.理论简述

例如我们想要预测一个地方的二手房房价。房价受到房屋使用时间，占地面积，附近是否具备学校医院等因素的影响，我们已经拥有了一些具体数据，但总是有限的，我们希望回归出这样一条线，当我们获得了新的房屋使用时间，平均占地面积......的时候，只需要输入进那条线的公式中，便能预测的与真实价值十分接近的房价。用公式就可以写为：

（此处未引入偏置b，在2.2中有提到）

其中，y表示房价，而不同下标的x便是各种信息，如就是房屋使用的时间，就是它的系数，是决定房屋使用时间会如何影响y房价的，也是我们想要求的。

我们最开始什么也不知道，那就直接来个简单的初始化，比如直接假设所有w都是0，那么无论这些信息是多少，是不是学区房，使用了多少年，算出来房价都是0，这里记作=0，表示预测的值。这显然和真实值差距太大，那么接下来我们需要做的就是去让这些w一点点“找回自己”，让慢慢“找回”本来应该得到的y，我认为这里也贴合了”回归“的主题。 

1.1如何找回

有了我们最先算的0（当然，绝大多数情况初始化远不会直接用一堆0，为了提高效率，实践中会倾向更合理的初始化，但我才疏学浅，希望将来不久就能学到原理），我们就可以看到它与本来的值的差距，比如该地一套房子价值100万。我们计算的是0万元，那么它们的差就是，我们希望调整w的值来让差变小。可是，我们有时候会遇到初始化不是都是0的情况，如果是其他数字，我们可能得到大于100万的结果，那么差()算下来就变成负