监督学习回归预测模型简介

1.回归预测

回归预测就是把预测的相关性原则作为基础，把影响预测目标的各因素找出来，然后找出这些因素和预测目标之间的函数关系的近似表达，并且用数学的方法找出来。在利用样本数据对其模型估计参数，并且对模型进行误差检验。回归预测和分类学习中主要的区别在于其待预测的目标是连续变化的。

2.线性回归器

在线性分类器中为了便于把目标映射到[0,1]区间上，而采用了逻辑斯蒂函数，而线性回归问题由于目标直接是实数域上的数值，优化目标更为简单，即最小化预测结果和实际值之间的差异。
线性模型可以用最小二乘法预测损失$L(w,b)$，线性回归器常见的优化目标如下：

为了确定模型的参数，即权重w和截距b，同样可以采用以中精确计算的解析算法和一种快速的随机梯度下降的估计算法

# 从sklearn.linear_model导入linearRegresssion
from sklearn.linear_model import LinearRegression
# 从sklearn.linear_model导入SGDRegressor
from sklearn.linear_model import SGDRegressor

对于模型性能的评测我们用平均绝对误差和均方误差来体现。
绝对平均误差：

均方误差：

其中yiy^i