线性回归理解-ML EveryDay

线性回归 Linear Regression

概念等同于数学中的线性回归模型，机器学习的本质是模型的拟合。

即在二维问题中求一条直线来拟合各个点（x,y）

其中x是自变量，或者叫输入参数/特征值，y是因变量，也就是结果/标签

（x一般在数学问题中叫做参数，在机器学习中叫特征值）

或者在多维问题中，求一个曲面（二维），或立体/域 来拟合所符合的各个点/域

假设一个n维问题中，输入n个特征值，x1 x2 x3 …… xn 输出为一个结果y

则 Y=W1X1+W2X2+W3X3+……+WnXn+b是最简单的线性回归模型，

即对于每个特征值都有一个参数，还有一个偏移量bias

 

我们可以将式子写成加权平均

 

Y=W1X1+W2X2+W3X3+……+WnXn+bX0

 

X0是我们延伸出来的，假设其值为1，这样我们就有N+1个输入变量x 和 N+1个参数

“矩阵乘法，即左行乘右列，左边行中的值与右边值对应相乘并相加”

矩阵运算效率较高，就可以用矩阵相乘的方法相计算。

 

对于损失，求线性回归中的损失较为重要，损失或者误差可以认为是真实值与预测值之间的误差。

损失函数Loss即我们用来衡量损失。

 

线性回归的过程即输入训练集进行训练，因为线性回归模型一般参数较少，训练的时间较短。

输入训练集训练的过程即

1.输入训练集中数据的参数&#