线性回归

很多的问题都分为回归和分类问题

回归和分类是通过数据训练一个模型，来进行结果的预测

回归问题针对的是连续的数据

分类问题针对的是离散的数据

比如预测房价就是一个回归的问题，房价是一个连续数据

比如预测一个房子里有多少房间，那么就是一个分类问题，它可以是一间或者是两间

线性回归和逻辑回归是一种算法

线性回归是回归问题，逻辑回归是其实是一种二分类分类问题。将线性回归的值映射到了sigmoid函数，当大于阈值的时候取1(正值)，小于阈值的时候取0(负值)。

前面总结一些小概念，现在来说一下什么是线性回归

线性回归是可能是用一条线性的直线如y=ax+b，让训练的数据尽量在该条直上。当输入一个之前训练集没有的数据的时候就可以预测了结果了。但是呢并不是所有的数据都在这个回归方程中，所以我们需要看真实值和预测值之间的差距，我们就会构造一个损失函数。希望损失越小越好，这样子预测值和真实值就会越接近，为了让损失尽可能小，可以用梯度下降算法。这个算法这里先暂时不讲。

我简单的理解是大概3步

第一 找到预测函数，第二找到损失函数，第三让损失达到最小

我这里只是大概理了一下这些东西的关系。

有一篇博客感觉写道很好，推荐一下https://blog.csdn.net/alw_123/article/details/82193535