机器学习之线性回归

一。概念解析：

有监督学习：对于x1,x2,x3明确知道其对应的label值

无监督学习：对于x1,x2,x3不知道其对应的label值

分类算法：对于x1,x2,x3,x4作为特征值，当输入到算法中得出有限个结果。比如对于银行借钱，输入年龄，性别，信誉等值 银行反馈借款或者不借款为分类指标。

回归算法：对于x1,x2,x3,x4作为特征值，当输入到算法中得出一个区间范围。举例：比如对于银行借钱，输入年龄，性别，信誉等值对于借钱的范围为1万~10万。

举例：

PS：y的值与x1,x2相关，第二个函数当X0=1时即可等价于上式。θ^Tx代表转置，行向量*列向量。

PS：每个数据点y(（i）针对于模拟方程的误差ε（i），假设两个条件：

1.所有误差（每个样本点）服从高斯分布（有一定规律，没有规律也不能模拟）

2.高斯分布（u，θ²）中u(均值)为0,方差为θ²的高斯分布，其中均值为0 是因为y=θ₀+θ₁x+θ2x中一定能找到所有误差相加截距为0的线。

 相关数学知识点：最大似然估计，高斯分布，最小二乘法。持续更新。

 推导过程如下：详细推倒博客会进行更新 请持续关注。

PS：公式一大推结果θ值可以求得

持续更新中。。。欢迎大家关注我的公总号LHWorld