Linear Regression with one variable 单变量线性回归

前言：

因为自己理不清机器学习的一些分布，所以无法和其他大佬一样给出一个很好的框架，

只能根据个人的学习进度去更新。

其中大部分概念来源于课程，其余的图和一些公式来自于其他大佬的博客中，

因为自己不是很会处理图，难免有借鉴但无抄袭之意

 

（一）Linear Regression with one variable （单变量线性回归）

（1）回归问题属于机器学习中的监督问题，且给出一系列点假设拟合直线为h(x)=θ0+θ1*x,（这里有可能是多维）

 这里因为是单变量线性回归问题，所以变量属性只是一维。

（2）该方法的核心思想是从离散的统计数据中得到数学模型，然后将该数学模型用于预测或者分类。该方法处理的数据可以是多维的。

（3）这其实就是小学or初中知识吧，y = kx + b ; 且要求尽可能多的包含点画出一条平滑曲线（直线）；

 

  问题引入：（图片引用于jerrylead大佬的机器学习笔记，资料来源于百度文库）

这是一个XXX地的房价表格，现在将它在二维坐标轴上表达出来

当我们获得了新的数据集时候，就需要在在这个坐标轴上添加新的点，但是并无相关规律or记录去表达它的和适度。这时候就需要拟合出一条（上面说的小学知识）尽可能涵盖所有点的曲线来让他们呈现出一种规律，这样造出一条直线就可以将新加入的点的对应值返回了。

  这期间涉及部分概念，下面列出：

（1）包含房子面积和价格的数据集称为训练集training set

（2）输入变量x（本例中为面积）为特征features

（3）输出的预测值y（本例中为房价）为目标值target

（4）拟合的曲线，一般表示为y = h(x)，称为假设模型hypothesis

（5）训练集的条目数称为特征的维数

所以由上述概念可以引出本问题的这几个参数表：

Cost function : 刚开始可能不理解这个 Cost Function的函数， 其实就是我们要拟合出一条接近完美的曲线，而越完美的曲线则与标准曲线在误差越小；这里平方要会将误差缩的更小，1/2是为了未来求导的时候把系数消除掉，而求和是整体曲线的误差。

Goal : 就要目标，要求得函数J的最小值。

二、如何调整θ让J（θ）保持最小值

（1）梯度下降法：

在选定线性回归模型后，只需要确定参数 θ，就可以将模型用来预测。然而 θ 需要在 J(θ) 最小的情况下才能确定。因此问题归结为求极小值问题，使用梯度下降法。梯度下降法最大 的问题是求得有可能是全局极小值，这与初始点的选取有关。  
梯度下降法是按下面的流程进行的： 1）首先对 θ 赋值，这个值可以是随机的，也可以让 θ 是一个全零的向量。 2）改变 θ 的值，使得 J(θ)按梯度下降的方向进行减少。  
梯度方向由 J(θ)对 θ 的偏导数确定，由于求的是极小值，因此梯度方向是偏导数的反方向。 结果为  
迭代更新的方式有两种，一种是批梯度下降，也就是对全部的训练数据求得误差后再对 θ 进行更新，另外一种是增量梯度下降，每扫描一步都要对 θ 进行更新。前一种方法能够不断 收敛，后一种方法结果可能不断在收敛处徘徊。  
一般来说，梯度下降法收敛速度还是比较慢的。感觉和贪心思想差不多，并不能保证全局最优

（2）最小二乘法

可能对这两种算法的理解还不是很透彻，先放在这里，未来仍旧需要多学习学习