机器学习--线性回归

“ 机器学习是数据驱动算法，数据驱动=数据+算法，模型就是输入与输出之间的映射关系。线性回归是是机器学习中比较基础也很常用的模型，主要用来解决连续值预测的问题”

01

—

线性回归通俗解释

举个比较通俗的例子：最近很多平台都被爆出大数据杀熟的情况，我们把这种情况简单的抽象下，假设我们在某平台购买一部手机，他给我推送的价格是根据我的年龄和每月的消费情况来决定的，当然，实际情况肯定不会只有这有两类数据，毕竟很多平台都对注册用户都构建了一个非常精细的用户画像：

现在我们进行一个数学抽象：

1、数据特征：年龄、消费情况

2、预测目标：手机的价格

3、特征参数：平台会给年龄和消费情况这两个参数分配一个什么比重呢

数学表达：

假设年龄是X1,消费情况X2,Y就是手机的价格，那现在平台就需要找到一个拟合平面来拟合尽可能多的数据

假设  是年龄的参数，  是消费情况的参数，那么如上图中的拟合平面可表达如下：

  (  是偏置项)，如果参数不止x1,x2,那么可以整合成通用表达式： 

 

显然真实值和预测值之间肯定会存在差异（用  来表示误差)，所以对于每个用户也就是每个样本都有一个拟合表达式 （1）：

        

再解释下什么是误差：

1、误差  是独立并且具有相同的分布，并且服从均值为0方差为  的高斯分布（2）：

   

2、独立性：假如你和另外一个人一起买手机，你俩没啥关系

3、同分布：假设你俩都用同一个APP来买手机

4、高斯分布：APP会根据不同的人给出不同的价格，但是大多数情况下这个浮动不会太大，极小情况下浮动会比较大，符合正常情况。

下面将根据公式&#x