数据分析模型学习（一）——线性回归

线性回归

线性回归是统计学中最基本的数学模型，它的基本数学表述为：$y = ax+b$，其中的$x$自变量，在数据分析（机器学习）中被称为特征值(features)，$y$被称为因变量，数据分析（机器学习）中被称为标签（labels）。当我们知道两组组$x, y$的时候，我们就可以得到$a, b$的值，进而，当给出一个自变量（特征）时，我们就可以预测出对应的因变量（标签）。

可以然而在实际的使用过程中，会出现以下的问题：

• 特征值不唯一
• 拥有的大量样本虽然呈线性关系，然而不能确定出唯一的$a, b$

当解决了以上两个问题之后，就可以认为一个基本的线性回归模型建立完成了（其实，在其他更加复杂的监督学习模型中，面临的问题基本是相同的，只是解决手段更加麻烦。）

特征值不唯一的解决办法就是把多个特征组成一个特征向量，也就是在使用过程中，我们进行运算的特征不再是$x$而是一个由 x1,x2,