DJL-Java开发者动手学深度学习之线性回归

线性回归

回归是指一类为一个或多个自变量与因变量之间关系建模的方法。在自然科学和社会科学领域，回归通常用来表示输入和输出之间的关系。

在机器学习领域中的大多数任务通常都与预测有关。 当我们想预测一个数值时，就会涉及到回归问题。常见的例子包括：预测股价、预测房价等。但不是所有的预测都是回归问题。后续还我们可能还会写一些解决分类问题的文章，预测一组数据性于数据类型中的某一种。

线性回归的元素

线性回归是一种简单的回归工具。线性回归基于几个简单的假设：

• 假设自变量$X$ 和因变量$y$之间的关系是线性关系。既$y$可以表示为$X$的加权和，这里通常允许包含观测的一些噪音。
• 假设在任何噪音都正常的前提下，噪声遵循正态分布。

为了简单解释线性回归，我们可以拿可以拿一个入门级示例，预测房价：我们假设房屋的销售价格与房屋的面积和房龄有关。
为了开发这一个预测房价的模型，我们需要收集一个真实的房屋销售数据集。这个数据集包含房屋的销售价格、面积和房龄。

线性回归模型

在我们假设房屋的售价可以由房屋的面积和房龄加权和表示的话，那我们可以得到下面的公式：
$$y=a\ast area+b\ast age+c$$
在上面公式中，$a$和$b$称为权重，$c$称为偏移量。为了使我们模型能力表达的更强，在这里，即使房屋的面积和房龄均为0时，我们依然需要设置偏移量。权重$a$和$b$决定每一个特征值（面积和房龄）对预测值（房价）的影响。
我们将面积和房龄放到一个特征集合