机器学习初识之线性回归（记录）

线性回归

概念：是一个回归算法，其中，回归指的是预测一个连续的，没有间断的值（可以想象成一条直线） 公式：y = w0x0 + w1x1 + … + wnxn  其中，

• w指的是权重值，我们有时候用theta来代替。
•  n指的是特征的数量，比如我们预测房价，特征有房屋面积，卧室数量，那么n=2                          
• x0 = 1， 这个是为了计算时方便                         
• w0是截距，也就是如果y是一条之间，截距就是这条直线和y相交时，从0到交点的距离                          

w1….wn指的是系数,也即是每一个特征对应的权重（如果某一个特征对输出值y的影响较大，那么这个权重值就高，反之就低） 线性回归的求解步骤（如何运用这个公式）：

• 第一步：初始化w0…wn的值      
• 第二步：把我们的训练数据，带入这个公式里，求出y_hat(), 这个y_hat就是我们的预测值；我们的目的是为了让预测值无限接近于真实值
• 第三步：求损失函数：一个公式来衡量预测值和真实值的差距，在线性回归中，这个函数叫做 MSE（均方误差)