Python实战教程：拒绝调包，如何用python推导线性回归模型

最近有人问我一个问题，我数学不好，代码基础薄弱，英语一般般，如何入门当今最为前沿的机器学习领域？均方差损失，MSE，平方损失函数，二次代价函数都是什么意思？

这个问题问得好，诸如学好数学，多敲代码，攻克专八这类标准回答我就不多说了。我们这回用Python实战教程案例，分分钟带你入门。

下面我们通过机器学习的入门模型——线性回归，从数学说起，以代码着手，一步步推导出可以应用于实践的模型。

线性回归的数学原理

首先，先看一张图：

图是我们在初中学习过的直角坐标系二维平面，上面遍布着一些点。从整体趋势看，y随x的增大而增大。如果曾经你和我一样，数学每次考试都是90的话，那么接下来，我相信你会情不自禁地做一件事：

没错，我们会以（0,0）和（10,10）为两点，画出一条贯穿其中的线，从视觉上，这条红线正好把所有点一分为二，其对应的数学表达式为：

y=x

而这就是我们线性回归所要做的事：找到一组数学表达式（图中的红线），用来反映数据（图中的点）的变化规律。

目标有了，问题也来了：

贯穿图中密密麻麻点的线有无数条，为什么不是y=2x，y=x+1，偏偏是y=x呢？

我们又是通过何种方法去找到这条线呢？

先解决第一个问题，上天书：

这个式子就是第一个问题的解，没见过的符号太多，看不懂是吧？那么我来翻译一下：

• 先求出（每个点的Y值-以每个点的X值通过函数求出的Y值）的平方
• 求和；
• 乘以1/2

再通俗点：

把每个点的实际y值与它通过某个函数求出的y值的差的平方加起来，再乘以1/2。

而文章开篇中的均