线性回归

type

status

date

slug

summary

概念

💡

线性回归是机器学习中有监督机器学习下的一种算法。回归问题主要关注确定一个唯一的因变量(dependent variable)(需要预测的值)和一个或多个数值型的自变量(independent variables)(预测变量)之间的关系。需要预测的值：即目标变量，target，y，连续值预测变量：影响目标变量的因素，predictors，X1...Xn，可以是连续值也可以是离散值之间的关系：即模型，model，是我们要求解的

简单线性回归

前面提到过，算法说白了就是公式，简单线性回归属于一个算法，它所对应的公式。

这个公式中，y 是目标变量即未来要预测的值，x 是影响 y 的因素，a,b 是公式上的参数即要求的模型。其实 a 就是咱们的截距，b 就是斜率嘛！所以很明显如果模型求出来了，未来影响 y 值的未知数就是一个 x 值，也可以说影响 y 值的因素只有一个，所以这是算法包含“简单”这个词的原因。同时可以发现从 x 到 y 的计算，x 只是一次方，所以这是算法叫“线性”回归的原因。其实，大家上小学时就已经会解这种一元一次方程了。为什么那个时候不叫人工智能算法呢？因为人工智能算法要求的是最优解

Actual value：真实值，即已知的 y Predicted value：预测值，是把已知的 x 带入到公式里面和猜出来的参数 a,b 计算得到的 Error：误差，预测值和真实值的差距最优解：尽可能的找到一个模型使得整体的误差最小，整体的误差通常叫做损失 Loss Loss：整体的误差，loss 通过损失函数 loss function 计算得到

多元线性回归

现实生活中，往往影响结果 y 的因素不止一个，这时 x 就从一个变成了 n 个，X1...Xn 同时简单线性回归的公式也就不在适用了