算法思想: 根据历史数据,找到最佳的一组权重 w,和偏置b,根据?_1 ?_1+?_2 ?_2+…+?_? ?_?+? 求出目标值,在计算loss损失,在梯度下降 ,调整w权重。
该算法针对于 连续型,非离散型数据
二元线性回归:(样本就2个特征)
目标值 = 权重1 * 特征值1 + 权重2 * 特征值2 +b
n元线性回归(样本选择n个特征)
目标值 = 权重1 * 特征值1 + 权重2 * 特征值2 +·········+ 权重n * 特征值n+b
公式
运算。
X = [[1,2,3], [4,5,6], [7,8,9], [6,6,1]]
行=样本数,列= 选取的特征数量
最终结果的形状是 二维 [4,1] 有4个样本,每个样本一个输出
w的形状 二维的[3,1]
w = [[w1],[w2],[w3]]
和特征数量一致
b = [[b1],[b2],[b3],[b4]]
每个样本都有一个偏置量
结果 = np.matmul(x,w) + b