Task01:线性回归(2天)
-
线性回归的原理
-
线性回归损失函数、代价函数、目标函数
-
优化方法(梯度下降法、牛顿法、拟牛顿法)
-
线性回归的评估指标
-
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 ) = θ 0 + θ 1 x 1 + θ 2 x 2 f(x)=\theta_0+\theta_1x_1+\theta_2x_2 f(x)=θ0+θ1x1+θ2x2,使得 f ( x ) ≈ y f(x)\approx{y} f(x)≈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