线性回归

Task01：线性回归（2天）

1. 线性回归的原理

2. 线性回归损失函数、代价函数、目标函数

3. 优化方法(梯度下降法、牛顿法、拟牛顿法)

4. 线性回归的评估指标

5. sklearn参数详解

   • 模型建立：线性回归原理、线性回归模型
   • 学习策略：线性回归损失函数、代价函数、目标函数
   • 算法求解：梯度下降法、牛顿法、拟牛顿法等
   • 线性回归的评估指标
   • sklearn参数详解
   练习部分
   • 基于线性回归的房价预测问题
   • 利用sklearn解决回归问题
   • sklearn.linear_model.LinearRegression

1、线性回归的原理

进入一家房产网，可以看到房价、面积、厅室呈现以下数据:

面积(x1)	厅室数量(x2)	价格(万元)(y)
64	3	225
59	3	185
116	4	508
…	…	…

我们可以将价格和面积、厅室数量的关系写为$f(x)={\theta }_0+{\theta }_1{x}_1+{\theta }_2{x}_2$,使得$f(x)\approx y$,这就是一个直观的线性回归的样式。

小练习

基于线性回归的房价预测问题

线性回归的一般形式：

有数据集
防止过拟合