AI 入行那些事儿（4）最简单的机器学习模型：线性回归

2021 开年巨献 —— 系列文章《AI 入行那些事儿》，为您讲述：

• 人工智能的基础原理、发展历程、当前应用

• 成为 AI 技术人员所需的入门技能和学习途径

• 以及求职、面试的全过程

机器学习的 Hello World：线性回归模型

我们来看一个最简单的机器学习模型：线性回归。这个模型基于一种假设：我们的样本数据的特征和标签之间存在着线性关系，也就是说以样本特征为自变量的线性函数值就是样本标签。

我们要看的这个例子展示了线性回归最简单的形式：一元线性回归。下图的表格记录了一个公司多名员工的个人信息和薪资状况。

通过数据可视化，我们不难看出员工的工作年限（experience）和薪水（salary）之间存在着近似线性的关系。

也就是说，如果我们将工作年限设为 x，将工资额度设为 y，则 x 和 y 的关系可以用线性函数 y = a + bx 来表示。此处 a 和 b 是函数 f(x) = a + bx 的参数，x 是 f(x)的自变量，而 y 是 f(x) 的因变量。

目标函数

那么，a 和 b 分别取怎么样的值，才能使得对应的 f(x) 最合适表达当前这张表格上的员工经验与收入的关系呢？这就要请损失函数出场了。

假设我们现在已经求出了 a 和 b 的值，那么我们将样本点的自变量 x 带入函数 f(x) = a + bx，必然会得到一个因变量的取值，我们设这个取值是 y', y' = a + bx, 而样本原本的取值是 y。

无论 a 和 b 取什么值，都有可能存在 y' 不等于 y 的情况，也就是说无