8、核心学习算法：线性回归及拓展

核心学习算法：线性回归及拓展

1. 核心学习算法概述

学习的本质在于分析过往数据，并以有意义的方式预测其未来值。根据数据类型和预测目标的不同，学习算法可分为以下几类：
- 回归 ：当数据是连续的，如股票价格或呼叫中心的通话量，这种预测被称为回归。
- 分类 ：若要预测特定的离散类别，如图像中的物体是狗、鸟还是猫，或者判断文本的情感是积极还是消极，这类预测则属于分类。
- 聚类 ：有时，我们希望从数据中发现自然模式，以便对数据进行分组，例如将具有相关属性的数据聚类在一起，像从大量音频文件中找出所有咳嗽声，或者通过手机数据推测其所有者的活动类型，如行走、交谈等。
- 马尔可夫模型 ：有些情况下，我们无法直接观察到事件的原因，这使得预测变得困难。例如天气，尽管我们拥有先进的建模能力，但预测某一天是下雨、晴天还是多云，准确率也只有 50%。因为有时观察到的结果（雨、阳光或云）背后的真正因果关系是隐藏的，无法直接观察到。能够基于隐藏因果关系进行结果预测的模型被称为马尔可夫模型，它是一种出色的可解释技术，可应用于天气预测以及其他诸多领域，如自动读取大量书籍文本并判断单词是名词还是形容词。

2. 线性回归基础

在高中的科学课程中，我们常通过绘制一个变量的变化如何影响另一个变量来分析数据。例如，绘制降雨频率与农业产量之间的相关性，可能会发现降雨量增加会导致农业产量提高。通过拟合一条直线到这些数据点上，我们可以预测不同降雨条件下的农业产量。如果能从几个数据点中发现潜在的函数，那么这个学习到的函数就能帮助我