人工智能之回归

一，回归的直观理解，如图所示，X1,X2就是我们的两个特征（年龄，工资）Y是银行最终会借给我们多少钱。找到最合适的一个平面（因为是X1，X2两个变量，所以是一个平面，如果只有一个变量就是一条线，如果是大于2的变量，就是一个超平面）来最好的拟合我们的数据点。

拟合的平面的表达式：

化简为：

其中，θ是需要核定的系数
对于每个样本

y是目标值，ε表示误差，且服从高斯分布，那么只要通过优化使得所有的样本的预测误差总和最小，就达到了优化的目的。预测时，将x1，x2乘以相应的θ系数就可以得到预测值了。
回归的目的是预测数值型的目标值，如预测商品价格、未来几天的PM2.5等。最直接的办法是依据输入写出一个目标值的计算公式，该公式就是所谓的回归方程（regressionequation）。求回归方程中的回归系数的过程就是回归。回归是对真实值的一种逼近预测。

二，回归分类：回归分析按照涉及的变量多少，分为一元回归和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。常见的回归种类有：线性回归、曲线回归、岭回归、套索回归、逻辑回归。
线性回归：如果拟合函数为参数未知的线性函数，即因变量和自变量为线性关系时，则称为线性回归。简单的