线性回归模型（Linear Regression Model）

        通过本篇我们将学习第一个机器学习模型——线性回归模型，可以大致了解到监督学习的整个过程是什么样的，也是应用非常广的一种模型。

引入

        本篇引用沿用监督学习（Supervised Learning）中的例子——房屋价格，即探究房屋面积和房屋价格之间的关系。

        x轴为房屋面积大小，y轴为价格，红色×是已知的房屋价格。

        如果现在有一个人想知道他的房子值多少钱，那么这些数据就可以在一定程度上帮助我们预估价格。要预估价格的第一步就是测量房屋面积，假设测得房屋面积为1250,那么我们就可以建立一个线性（linear）的来自该数据集的回归（Regression）模型，这个模型会将数据拟合成一条直线，直线如下图所示​​​​，得到了拟合后的直线，我们就可以找出x=1250时，y对应的值，所以我们预估的房价是在220k左右。​​​

        这是一个很典型的监督学习（Supervised Learning）的例子，我们再简单回顾一下监督学习是什么：监督学习就是我们会给出一些输入x（面积）和对应的正确的输出y（价格），学习算法分析给出的x和y之间的关系，之后我们再给出一个输入x时，学习算法就可以预测出一个合理且比较准确的y值，至于什么是回归这些具体细节还请去看监督学习（Supervised Learning）这一篇哦~

        这种线性回归模型是一种特殊的类型的监督学习模型，它被称为回归（Regression）模型是因为它的输出时预测的数字（无限多可能的结果）。除了回归模型，分类模型（Classification Model）也是一种常见的监督学习，分类模型预测的是类别（少数可能的输出），这个在监督学习那一张也有细讲。

常用符号表示

        除了这种图呢，还有另一种表示方式，我们也可以用一个表来表示，下面这张表中第一列黄色对应的是图的x轴，第二列红色对应的是图的y轴，表中每一行数据对应了图上的一个点，比如（2104，400）这对数据代表的点就是表中用蓝色圈起来的点，这是很好理解的。

            接下来我们要引入在机器学习中常见的一些符号，也是以后谈论机器学习概念的术语。

上面我们刚谈到的这张表中的数据集被我们用来训练模型，我们将它训练集（training set），

我们在一开始并不知道面积为1250的房子应该多少钱，所以要先用训练集（training set）来训练模型，训练之后的模型就可以用来预测房价了。在机器学习中，表示输入的标准符号是小写的，

上面房屋的例子中，x是 ,它常被叫做输入变量（input variable），也被叫做特征

（feature），或者输入特征（input feature），y是,他常被叫做输出变量（output variable）或者目标变量（target variable）。

        上面给出的表格有47行，每行代表一个不同的训练样本，我们常用小写m来表示训练样本总数，所以对于这个例子来说m=47,为了更方便地表示单个训练示例，我们使用（x,y）来表示单个训练样本，比如说第一个训练样本就是（2104，400），那么有这么多训练样本，我们怎么知道这是第多少个训练样本呢？别急，我们可以用来表示这是第i个训练样本,那（2104，400）这个训练样本就可以被表示为，1416就是，这样就可以很方便的表示啦！

定义

        下面我们来了解监督学习的过程，监督学习算法将输入一个数据集，那它做了什么呢？得到了什么结果？这将是本篇最后要讨论的内容。

        监督学习的训练集包括输入特征和目标变量，要训练模型，就要输入训练集，然后监督学习算法就会产生一些函数f（也叫模型model），f的任务就是获取到一个新的输入x时，可以预测一个输出，我们把这个输出表示为,在机器学习中，我们用来表示是预估值，而才是真实值。

        那我们怎么来表示这个函数f呢，在线性回归中，我们是一种认为f是一条直线，所以这里f可以被表示为,如果确定了w和b，也就确定了给出x时y的预估值

        当给出了训练集之后，算法会生成一条最适合的直线，比如图中所示的直线，这就是线性回归模型，更细一步来讲，是有一个变量（one variable）的线性回归模型，这里的一个变量是指只有一个输入变量，这种线性回归我们叫它单变量线性回归（univariate linear regression），

        本篇就先到这里了，为了能更好的达到目标结果，我们需要构造一个成本函数，成本函数的思想是机器学习中最普遍最重要的思想之一，用于线性回归和训练世界上许多先进的模型，我们将在下一篇中讨论它。