线性回归

Reference: https://developers.google.com/machine-learning/crash-course/descending-into-ml/linear-regression

 

linear regression 

每分钟的虫鸣叫声与温度（摄氏度）的关系

此曲线图表明温度随着鸣叫声次数的增加而上升。鸣叫声与温度之间的关系是线性关系，可以绘制一条直线来近似地表示这种关系。

线性关系

虽然该直线并未精确无误地经过每个点，但针对我们拥有的数据，清楚地显示了鸣叫声与温度之间的关系。只需运用一点代数知识，就可以将这种关系写下来，如下所示：

其中：

• y 指的是温度（以摄氏度表示），即我们试图预测的值。
• m 指的是直线的斜率。
• x 指的是每分钟的鸣叫声次数，即输入特征的值。
• b 指的是y轴截距。

按照机器学习的惯例，需要写一个存在细微差别的模型方程式：

其中：

• y' 指的是预测标签（理想输出值）。
• b 指的是偏差（y 轴截距）。而在一些机器学习文档中，它称为 w0 。
• w1 指的是特征 1 的权重。权重与上文中用 表示的“斜率”的概念相同。
• x1 指的是特征（已知输入项）。

要根据新的每分钟的鸣叫声值 x1 推断（预测）温度 y'，只需将 x1 值代入此模型即可。

下标（例如 w1 和 x1 ）预示着可以用多个特征来表示更复杂的模型。例如，具有三个特征的模型可以采用以下方程式：