线性回归

线性回归

线性：y=a*x 一次方的变化
回归：回归到平均值

简单线性回归
算法==公式
一元一次方程组

一元指的一个X：影响Y的因素，维度
一次指的X的变化：没有非线性的变化

y = a*x + b
x1,y1 x2,y2 x3,y3 x4,y4 …

做机器学习，没有完美解
只有最优解~
做机器学习就是要以最快的速度，找到误差最小的最优解！

一个样本的误差：
yi^ - yi
找到误差最小的时刻，为了去找到误差最小的时刻，需要反复尝试，a,b
根据最小二乘法去求得误差
反过来误差最小时刻的a,b就是最终最优解模型！！！

多元线性回归
本质上就是算法（公式）变换为了多元一次方程组
y = w1x1 + w2x2 + w3x3 + … + wnxn + w0*x0

Q：为什么求总似然的时候，要用正太分布的概率密度函数？
A：中心极限定理，如果假设样本之间是独立事件，误差变量随机产生，那么就服从正太分布！

Q：总似然不是概率相乘吗？为什么用了概率密度函数的f(xi)进行了相乘？
A：因为概率不好求，所以当我们可以找到概率密度相乘最大的时候，就相当于找到了概率相乘最大的时候！

Q：概率为什么不好求？
A：因为求得是面积，需要积分，麻烦，大家不用去管数学上如何根据概率密度函数去求概率！

Q：那总似然最大和最有解得关系？
A：当我们找到可以使得总似然最大的条件，也就是可以找到我们的DataSet数据集最吻合某个正太分布！
即找到了最优解！

通过最大似然估计得思想，利用了正太分布的概率密度函数，推导出来了损失函数

Q：何为损失函数？
A：一个函数最小，就对应了模型是最优解！预测历史数据可以最准！

Q：线性回归的损失函数是什么？
A：最小二乘法，MSE，mean squared error，平方均值损失函数，均方误差

Q：线性回归的损失函数有哪些假设？
A：样本独立，随机变量，正太分布