小白学习机器学习---第三章：线性模型

机器学习所针对的问题有两种：一种是回归，一种是分类。回归是解决连续数据的预测问题，而分类是解决离散数据的预测问题。线性回归是一个典型的回归问题。其实我们在中学时期就接触过，叫最小二乘法。

  线性回归试图学得一个线性模型以尽可能准确地预测输出结果。 

先从简单的模型看起： 

  首先，我们只考虑单组变量的情况，有： 
 使得   
  假设有m个数据，我们希望通过x预测的结果f(x)来估计y。其中w和b都是线性回归模型的参数。 
  为了能更好地预测出结果，我们希望自己预测的结果f(x)与y的差值尽可能地小，所以我们可以写出代价函数（cost function）如下： 
 
  接着代入f(x)的公式可以得到： 
 
  不难看出，这里的代价函数表示的是预测值f(x)与实际值y之间的误差的平方。它对应了常用的欧几里得距离简称“欧氏距离”。基于均方误差最小化来求解模型的方法我们叫做“最小二乘法”。在线性回归中，最小二乘法实质上就是找到一条直线，使所有样本数据到该直线的欧式距离之和最小，即误差最小。 
  我们希望这个代价函数能有最小值，那么就分别对其求w和b的偏导，使其等于0，求解方程。 
  先求偏导，得到下面两个式子：