机器学习笔记（三）：线性回归大解剖（原理部分）

进入机器学习，线性回归自然就是一道开胃菜。虽说简单，但对于入门来说还是有些难度的。代码部分见下一篇，代码对于程序员还是能能够帮助理解那些公式的。

（本文用的一些课件来自唐宇迪的机器学习，大家可以取网易云课堂看他的视频，很棒）
1.线性回归的一些要点
先说我理解的线性回归是什么意思吧，机器学习往小了说就是找规律，而线性回归就是找线性规律。举个例子， 给你一组数（x，y），（1，2） （2，4） （3, 6）小学生都能找到其中的规律就是y = 2x , 这就是线性回归的目的 一开始就假设 y = θ x,通过对数据进行分析，建模，最终得到θ = 2。

再说说几个重要名词
先定义一个前提，现在要求我们从 【身高，长相】 预测 一个人【是否有女朋友】

1.数据  ，  顾名思义  就是已经有的数据 ，如【身高，长相】两个特征
2.目标 ，  预测 【是否有女朋友】 （标签）
3.参数    这个就是我们要求的了，因为我们需要的是一个线性公式：
 θ1身高  + θ2长相 + θ0（误差） =  是否有女朋友
其中  θ0 θ1 θ2 就是我们要求的参数

线性回归，就是在一堆数据点当中，找到一个平面能够拟合（就是包含）这些数据点

偏置项就可以理解为 误差 也就是中学函数中 y = kx + b 的那个 b

还有一个概念要知道，那就是

误差

真实值 和 预测值 之间肯定是存在差异的，这种差异是一定存在的 用ε表示
误差 ε 是[独立同分布的(https://baike.baidu.com/item/独立同分布/6715110?fr=aladdin) 并且服从 均值0 方差为 σ^2 的高斯分布（就是正态分布）

所谓 独立 就是说 ε 误差集合中的 {ε1,ε2,ε3,ε4} 相互之间不会有影响
同分布是说，他们虽然不会碰到，但是他们是在一条路上走的可以理解为平行时空，你在这，我也在这，但是我们隔了100年1个世纪。

高斯分布：{ε1,ε2,ε3,ε4} 中的值可能打可能小，但是绝大多数情况下，这个浮动不会太大，极小情况下浮动会比较大，符合正常情况

线性回归参数

最开始讲到了 θ1身高 + θ2长相 + θ