2.1.2 线性回归

线性回归是一种最简单的机器学习方法。在本节，我们尝试以线性回归为例，帮助读者理解机器学习的原理 。线性回归的目标是找到一些点的集合背后的规律。例如，一个点集可以用一条直线来拟合，这条拟合出来的直线的参数特征，就是线性回归找到的点集背后的规律。

下面以表2.2为例，介绍如何用线性回归解决房屋定价问题。假设开发商有一个房屋销售中心，房屋售价 y 与房屋面积 x ₁ 相关。已有一组数据，50m ² 的房屋售价50万元，47m ² 的房屋售价42万元，60m ² 的房屋售价80万元，55m ² 的房屋售价52万元等。那么，65m ² 的房屋售价应为多少？可以将已有数据以房屋面积 x ₁ 为横轴、房屋售价 y 为纵轴画到坐标系中，如图2.3所示。再分析 x ₁ 和 y 的关系，找到一条拟合直线，使所有数据点到该直线的距离之和最小。这条拟合直线表示 x ₁ 和 y 之间的规律，也就是线性回归模型。由于在这个例子里房屋售价 y 只考虑房屋面积 x ₁ 一个变量（特征），因此它是一个一元线性回归模型。

一元线性回归模型 Hw （ x ₁ ）可以表示为：

其中， Hw （ x ₁ ）是根据已有数据拟合出来的函数，该函数是一条直线且仅有一个变量。回归系数 w ₀ 和 w ₁ 可以通过已知点计算出来， w ₁ 代表斜率， w ₀ 代表纵截距，即拟合出的直线与 y 轴的交点。 w ₀ 和 w ₁ 计算出来后，就可以预测一个新房屋的售价。

事实上，房屋售价不仅与面积相关，还与楼层 x ₂ 、朝向 x ₃ 、学区 x ₄ 等因素相关。假设已有一组数据，如表2.3所示，面积 x ₁ 为50m ² 、楼层 x ₂ 为2楼的房屋售价为50万元，面积 x ₁ 为47m ² 、楼层 x ₂ 为1楼的房屋售价为42万元，面积 x ₁ 为60m ² 、楼层 x ₂ 为4楼的房屋售价为80万元等。那么，一个在10楼、面积为65m ² 的房屋应该如何定价？

上述问题有2个变量（特征），可以用二元线性回归模型表示为：

如果待解决的问题有 n 个变量（特征）（记为 n 维的向量 x ），可以用多元线性回归模型表示为：

其中，参数向量 表示 的转置，输入向量 x =[ x ₀ ； x ₁ ；…； x _n ]。

如何评价线性回归模型预测结果的正确性呢？模型预测结果 与真实值 y 之间通常存在误差 ε ：

当样本量足够大时，误差 ε 将会服从均值为0、方差为 σ ² 的高斯分布：

通过求解最大似然函数：

得到预测值与真实值之间误差尽量小的目标函数（损失函数）：

损失函数计算等同于 m 次预测的结果和真实的结果之间的差的平方和。线性回归的目的是寻找最佳的 w ₀ ， w ₁ ，…， w _n ，使得损失函数 的值最小。寻找最优参数通常采用梯度下降法，该方法计算损失函数在当前点的梯度，然后沿负梯度方向（即损失函数值下降最快的方向）调整参数，通过多次迭代就可以找到使 的值最小的参数。具体过程为，首先给定初始参数向量 ，如随机向量，计算损失函数对 的偏导（即梯度），然后沿负梯度方向按照一定的步长（学习率） η 调整参数的值，如式（2.8），并进行迭代，使更新后的 不断变小，直至找到使 最小的 值，从而得到合适的回归模型的参数。

人工神经网络的训练和使用过程与线性回归基本上是一致的。例如，要训练一个识别动物的神经网络，首先要找到大量不同类型的动物样本并打上标签，然后调整神经网络模型的参数，以使神经网络的输出和标签之间的误差（损失函数）尽可能小；在使用神经网络做预测时，给神经网络一张未标记的动物图像，神经网络根据训练拟合好的模型，可以给出它对图中动物类型的判断。 FPb/jNCGFbDSnMScAjY0twS2LuAbS+PFcSp3veHWrMchajhXKgkkkb32ahU7aNQ3