机器学习之简单线性回归

---

在前言中我们可以看到，目标标记为连续型数值的是回归。而回归又分为线性和非线性

1.简单线性回归

很多做决定过程通常是根据两个或者多个变量之间的关系

• 回归分析(regression analysis)：用来建立方程模拟两个或者多个变量之间如何关联
• 自变量(independent variable)：x, 输入(input)，被 用来逬行预测的变量
• 因变量(dependent variable)： y.输出(output)，被预测的变量
• 简单线性回归(simple linear regression)：简单线性回归包含一个自变量(X)和一个因变量(y)，即一元一次函数。两个变量的关系用一条直线来模拟。如果包含两个以上的自变量，则称作多元回归分析(multiple regression)
• 简单线性回归模型：被用来描述因变量 (y)和自变量(X)以及偏差 (error)之间关系的方程叫做回归模型

其中，β0，β1是参数，ε是偏差

• 简单线性回归方程：
  
  为一元一次方程，直角坐标中是一条直线，称为回归线
  其中，β0是截距，β1是斜率，E(y)是在给定一个x下的y的期望值

• 正向线性关系：
  
  负向线性关系：
  
  无关系：
  

• 估计的简单线性回归方程：
  

2.线性回归分析流程

注：b0，b1是样本中数据得到的估计的参数，只能代表某样本的参数； β0，β1是整体样本数据得到的参数

3.线性回归实例

设一周内卖家做电视广告数量与售出汽车数量由如下关系：

如何训练出适合简单线性回归模型的最佳回归线？

最佳回归线应该满足：

即每一个点（Xi，Yi）的Yi与回归线上横坐标为Xi时纵坐标Yi^的差值的平方之和最小
b0，b1(样本中数据得到的估计的参数)的计算公式：

经计算：
b1：

b0：

y的估计：


注：y顶上由^代表估计
预测：一周内做广告数为6，预测售出的汽车数量为多少？

更多文章：https://blog.csdn.net/qq_33208851/article/details/95230847