本文介绍了机器学习中的回归问题，重点关注线性回归和逻辑回归。线性回归用于数值预测，通过代价函数评估拟合优度。逻辑回归虽然名字含"回归"，但实际上是分类方法，尤其适用于二分类问题，通过Sigmoid函数将结果映射到概率区间，并通过决策边界进行分类。
关注微信公众号【Microstrong】,我写过四年Android代码，了解前端、熟悉后台，现在研究方向是机器学习、深度学习！一起来学习，一起来进步，一起来交流吧！
回归问题：主要用于预测数值型数据，典型的回归例子：数据拟合曲线。
一、线性回归
（1）线性回归的定义：
线性回归需要一个线性模型，属于监督学习，因此方法和监督学习应该是一样的，先给定一个训练集，根据这个训练集学习出一个线性函数，然后测试这个函数是否足够拟合训练集数据，然后挑选出最好的线性函数。
需要注意两点：
A．因为是线性回归，所以学习到的函数为线性函数，即直线函数；
B．因为是单变量，因此只有一个x;（这里我们只讨论单变量线性回归）
（2）单变量线性回归模型
我们能够给出单变量线性回归模型：
这里，X为特征，h(x)为hypothesis。
举个例子：
我们想要根据房子的大小，预测房子的价格，给定如下数据集：
我们根据以上的数据集画在图上，如下图所示：
我们需要根据这些点拟合出一条直线，使得costFunction最小。拟合出的直线大概如下图所示：
从上面的过程中，我们肯定有一个疑问，怎么样能够看出线性函数拟合的好不好呢?
答案是我
最低0.47元/天 解锁文章
扫一扫
2743
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
