这篇博客介绍了机器学习中的线性回归，包括如何计算斜率和截距，使用Python实现线性回归算法，以及评估模型拟合优度。通过实例展示了线性回归的计算过程，并探讨了决定系数（R^2）在衡量模型精确度中的作用。最后，文章以一个低R^2值为例，说明了数据质量和数量对模型的影响，并预告了下一篇文章将探讨K近邻算法。
“有些事情我们知道我们知道这些事，我们还知道有些事情我们知道我们不知道。这就是说，有些事情我们不知道，但是还有些我们不知道我们不知道，也就是说有些事情我们不知道我们不知道这些事。”——《已知与未知》（Known and Unknown）。
对于“有些事情我们不知道我们不知道这些事”正需要我们通过探索学习才能发现“新大陆”，那么今天我们把这任务交给机器学习吧！嘿嘿。。接下来开始我们的学习这篇博客中我们将要学到：
1，如何计算线性回归方程的斜率和截距
2，用python语言实现线性回归算法
3，如何判断模型拟合的好坏
第二篇教程我们已经知道如何用sklearn中的回归来预测股票了，这篇教程我会深入的讨论回归算法，虽然我们没有必要深入了解所有的数学,线性代数在机器学习中是至关重要的,我们以后都会经常用到它。有兴趣可以自己多了解这方面知识。我们知道线性代数可以计算空间向量点之间的关系。同样，我们也可以把它应用于数据集的特征。还记得记得在我们定义线性回归研究的数据类型为连续性数据吗?使用简单的线性回归可以寻找数据集的最佳拟合线。如果数据不是连续的，那么就不会有最佳的拟合线？让我们看看一些例子:
上面的图像显然具有很好的相关性。如果你被要求根据估计来画一条最合适的线，我们可以很容易地拟合出最佳的函数:
从上图X和y之间有一种关系(相关性)，我们可以看出根据一个Y可以预测一个X，或者说根据一个X预测一个Y，我们完成预测图中的点，需要一个线性代数的支持。 现在，我们回顾一下初中的知识，简单直线的定义:y = mx + b，其中m是斜率，b是轴截距。我们只要知道合适m（斜率）和b（截距）我们就能计算出x对应的Y了。
最佳拟合线的斜率m定义为:
最低0.47元/天 解锁文章
扫一扫
6093
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
