吃瓜理解-线性回归

对应西瓜书第三章3.1,3.2，线性回归部分。参考视频：第3章-一元线性回归_哔哩哔哩_bilibili

一元线性回归：

线性回归情况分类：

连续值：[发际线高度]预测[计算机水平]：f(x) = w1x1+b
二值离散特征[颜值](好看:1，不好看:0): f(x)=w1x1+b
有序的多值离散特征[饭量] (小: 1，中: 2，大: 3)：f(x)=w1x1+b

ps:有序就可以理解为相互之间有高低之分，程度之分
无序的多值离散特征[人种](黄:[1,0,0]，黑:[0,1,0]，白: [0,0,1]):
f(x)=w1x1+w2x2 +w3x3+b

如果把上面几种情况融合到一起即：

我要判断这个人的计算机水平+颜值高低+饭量大小+哪种人：

f（x）= w1x1 + w2x2 + w3x3 + w4x4 + w5x5 + w6x6 + b

本节主要围绕发际线与计算机水平这个例子展开：

最小二乘法：

发际线与计算机水平这个例子，按经验来说，模型大约是服从y=wx+b的；如图蓝紫色线便是一种可能；图中红色虚线部分为该点到蓝色线的竖直距离，注意不是垂直距离，一些朋友应该有些冲动：先将所有的点到该线的竖直距离求和，然后想办法使这个和最小；这个策略本质就是这样的符合直觉；点到蓝线的竖直距离称为损失，求和这种基于均方误差最小化来进行模型求解的方法称为“最小二乘法”。

因此我们可以给出右边损失函数所示的公式：