机器学习02-线性回归

本文采用一个常见的例子：蟋蟀的叫声与气温之间的联系：

上图就是叫声和温度之间最直观的表示图，有图可知，随着温度的上升，蟋蟀也会更加躁动。（横坐标叫声，纵坐标是温度，摄氏度为单位）。

上图显示，你可以直观的绘制一条近似的直线来匹配这样的关系。
仔细观察发现，并不是所有点都被直线穿过。但是该直线确实反映了这两者之间的联系。使用方程式可以表示为：

• y=mx+b
  • y即使需要表示的温度
  • m为直线的斜率
  • x就是每分钟叫的次数，就是我们需要输入的特征、
  • b就是y轴的截距，有的地方用w0表示

按照机器学习的惯例，你会为一个模型写一个稍微不同的方程:

• y’=b+w1*x1
  • y’是预测标签，我们期望得到的输出
  • b就是y轴的截距，有的地方用w0表示
  • w1 是特征 x1 的权重
  • x1 为特征，已知输入

尽管此模型仅使用一个特征，但更复杂的模型可能会依赖多个特征，每个特征都有各自的权重。例如，依赖于三个功能的模型可能如下所示：

• y’ = b + w1x1 + w2x2 + w3*x3