详解线性回归

基本形式

在这里插入图片描述

线性回归，就是能够用一个直线较为精确地描述数据之间的关系。这样当出现新的数据的时候，就能够预测出一个简单的值。线性回归中最常见的就是房价的问题。一直存在很多房屋面积和房价的数据。

对离散属性，
若属性值存在“序”的关系，可通过连续化将其转化为连续值。如高度的高、中、低可转化为{1.0, 0.5, 0.0}

若属性值不存在序关系，连续化会不恰当，对后续距离计算造成误导。如瓜类的取值有黄瓜，南瓜，西瓜，就不可连续化。此时可通过one-hot编码：转化为（0,0,1）（0,1,0）（1,0,0）

学习策略：极小化模型预测输出和真实值之间的差距（均方误差/平方损失）

在这里插入图片描述
均方误差的几何意义：对应了常用的欧氏距离。最小化均方误差，试图找到一条直线，让所有样本到直线上的欧氏距离之和最小。

求解方法：最小二乘法（称为线性回归模型的最小二乘参数估计）
在线性回归中，最小二乘法就是试图找到一条直线，使所有样本到直线上的欧氏距离之和最小。

当x只有1维时（w自然只有一维），对w和b求导，得到：
在这里插入图片描述
令偏导为0，化简得到：

最终结果：

在这里插入图片描述

在这里插入图片描述

来源：CSDN

作者：Avery123123

链接：https://blog.csdn.net/Avery123123/article/details/102821544

标签