监督学习算法——线性回归算法

线性回归工作原理

简而言之，就是通过已知数据的拟合出一条线性线，来预测

希望 $y$ 与 ${\hat{y}}^{(i)}$ 的距离差距尽量小：
选用公式 ${\left(y^{(i)}-{\hat{y}}^{(i)}\right)}^2$，所以考虑所有样本${\sum }_{i=1}^m{\left(y^{(i)}-{\hat{y}}^{(i)}\right)}^2$ 最终${\sum }_{i=1}^m{\left(y^{(i)}-a{x}^{(i)}-b\right)}^2$

最终目标：找到a ， b

简单线性回归

最小二乘法：

公式

$$a=\frac{{\sum }_{i=1}^m\left(x^{(i)}-\bar{x}\right)\left(y^{(i)}-\bar{y}\right)}{{\sum }_{i=1}^m{\left(x^{(i)}-\bar{x}\right)}^2}$$
$$b=\bar{y}-a\bar{x}$$<