线性回归

线性回归

线性回归，就是能够用一个直线较为精确地描述数据之间的关系。这样当出现新的数据的时候，就能够预测出一个简单的值。 就像在坐标系中给出了一些点，画出一条大致过这些点的曲线，来对后续的值进行预测。

线性回归的函数模型

由线性回归构造出的一条曲线就被称为线性回归的模型

线性回归的代价函数

由于数据的不同或导致模型对数据的拟合出现偏差。为了找到一个最精确描述的模型就需要要用到代价函数 代价函数表示了模型与数据之间的差距。对应的代价函数越小，就越准确。

线性回归函数的特点

建模速度快，不需要很复杂的计算，在数据量大的情况下依然运行速度很快。
可以根据系数给出每个变量的理解和解释。
对异常值很敏感。

用numpy实现线性回归

import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0,200,30)                      
y = x + np.random.randint(0,50,30)                  
poly = np.polyfit(x,y,deg=1)               
z = np.polyval(poly,x)                      
plt.plot(x,y,'o')                         
plt.show()
plt.plot(x,y,'o')
plt.plot(x,z)
plt.show()