本文介绍了线性回归的基本概念，包括多元一次函数的表示和线性回归的目标——找到使预测值y^尽可能接近真实值y的系数。重点讲解了普通最小二乘法，这是一种通过最小化误差平方和来确定系数的方法。同时，通过sklearn官方手册的案例分析，展示了如何使用Python的sklearn库进行线性回归模型的构建和预测。
线性回归
回归分析的主要工作，是根据统计获得的数据点来训练出一个函数表达式，根据这个函数表达式来对新的数据点进行预测。
线性是指线性方程。线性方程也就是一次函数，一元一次函数的定义式如下所以。
y = k ∗ x + b y=k*x+b y=k∗x+b
在做回归分析时，数据的影响因素不止一个因此需要使用多元一次函数来拟合。预测出的值为预测值，用 y ^ \hat{y} y^来表示。真实值用 y {y} y来表示。
y ^ ( ω , x ) = ω 0 + ω 1 x 1 + ⋯ + ω n x n \hat{y}(\omega ,x)={
{\omega }_{0}}+{
{\omega }_{1}}{
{x}_{1}}+\cdots +{
{\omega }_{n}}{
{x}_{n}} y^(ω,x)=ω0+ω1x1+⋯
最低0.47元/天 解锁文章
扫一扫
23
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
