这篇博客介绍了简单线性回归算法，一种用于拟合单一特征与目标变量关系的模型。文章首先概述了线性回归的目标，即寻找最佳拟合直线y=ax+b，并讨论了为什么避免使用绝对值和直接相减的方法。博主还提到了参数a和b的最小二乘法求解，并强调了损失函数和效用函数在优化过程中的作用。接着，博客详细讲解了如何通过for循环实现简单线性回归，并对比了向量化实现的性能优势。
1.线性回归算法简介
线性回归算法以一个坐标系里一个维度为结果，其他维度为特征（如二维平面坐标系中横轴为特征，纵轴为结果），无数的训练集放在坐标系中，发现他们是围绕着一条执行分布。线性回归算法的期望，就是寻找一条直线，最大程度的“拟合”样本特征和样本输出标记的关系
样本特征只有一个的线性回归问题，为简单线性回归，如房屋价格-房屋面积
将横坐标作为x轴，纵坐标作为y轴，每一个点为（X(i) ,y(i)）,那么我们期望寻找的直线就是y=ax+b，当给出一个新的点x(j)的时候，我们希望预测的y^(j)=ax(j)+b
- 不使用直接相减的方式，由于差值有正有负，会抵消
-
不适用绝对值的方式，由于绝对值函数存在不可导的点
最低0.47元/天 解锁文章
1041
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
