2 深入了解机器学习 (Descending into ML)：线性回归

人们早就知晓，相比凉爽的天气，蟋蟀在较为炎热的天气里鸣叫更为频繁。数十年来，专业和业余昆虫学者已将每分钟鸣叫声和温度方面的数据编入目录。Ruth阿姨将他喜爱的蟋蟀数据库作为生日礼物送给您，并邀请您自己利用该数据库训练一个模型，从而预测鸣叫声与温度的关系。

首先建议你讲数据绘制成图表，了解下 数据分布情况：

图 1. 每分钟的鸣叫声与温度（摄氏度）的关系。

毫无疑问，此曲线图表明温度随着鸣叫声次数的增加而上升。鸣叫声与温度之间的关系是线性关系吗？是的，您可以绘制一条直线来近似地表示这种关系，如下所示：

图 2. 线性关系。

事实上，虽然该直线并未精确无误地经过每个点，但针对我们拥有的数据，清楚地显示了鸣叫声与温度之间的关系。只需运用一点代数知识，您就可以将这种关系写下来，如下所示：

y = mx + b y=mx+b

其中：

1， y指的是温度（以摄氏度表示），即我们试图预测的值

2， m指的是直线的斜率

3， x表示每分钟鸣叫的次数，即输入特征值

4， b指的是y轴截距

按照机器学习的惯例，您需要写一个存在细微差别的模型方程式：

y' = b + w1*x1

其中：

1， y'指的是预测标签（理想输出值）

2，b指的是偏差（y轴截距）。而在一些机器学习文档中，它称作w0 .

3,   w1指的是特征1的权重。权重与上文中用m表示斜率的相同概念。

4， x1指的是特征（已知输入项）。

要根据新的每分钟鸣叫声值x1推断（预测）y' ，只需将x1带入此模型即可。

下标（例如w1 和 x1）预示着可用多个特征来表示更复杂的模型。例如具有三个特征的模型可用采用下方程式：

y' = b + w1*x1 + w2*x2 + w3*x3

训练与损失

待续。。。