回归算法的概念1 .回归算法是指2 .线性回归3 .公式的推导
回归算法的概念1 .什么是回归算法
3358 www.Sina.com/http://www.Sina.com /是常用于“解释”变量(自变量x )与观测值(因子y )之间关系的机器学习算法。 从机器学习的观点来看，用于建立属性(x )和标签(标签)之间的映射关系的算法模型)函数)，在算法的学习过程中，参数之间的关系回归算法是一种有监督算法最好
回归算法中算法(函数)的最终结果为回归算法的数据值，输入值(属性值)为d维属性/数值向量拟合性
关于房子的租金价格画下图：
横轴为房屋租赁面积10，纵轴为租赁价格1000，通过模型学习，可以找到参数间连续最好的函数。 在该例中找到的函数为y=ax b，通过计算得到y=0.4.71x 0.4679。 此时，如果要预测面积为110即x=110时的y值，则训练了相当多可以带入上式计算中得到结果的模型。 这是最简单的训练过程，实际上不仅仅是这么简单。
2 .线性回归线性回归方程如下：
对应刚才的租赁住宅，图像如下。
线性回归的目的是计算的值，选择最佳值构成算法公式举个例子。 上面的计算方法是矩阵一行承一列(
3 .表达式推导的近似将线性回归函数比喻为拟合性，然后用以下表达式替换注:
既然有线性回归的函数，该函数的结果如何才能最接近真值呢？ 在此之前，请访问y=ax+b
当所有样本的预测值与实际值之差最小化时，我们的线性回归模型最好的表现是预测值与实际值之差有正负，因此要求平方值最小化。 也就是说，可以得到以下目标函数。
我们模型的优化是最终得到上式函数结果的最小值
h ) x )式的模型预测的结果，y是原来的真值。 也就是说，有了三天的数据，我们都送到模型训练，把训练的模型拿来预测第三天的数据，从预测数据中减去第三天的真实数据平方相加，最后除以2。 如果上式求出的结果最小，就表示我们的数据接近真值
用一句话说明线性回归算法，就是y=ax+b
最小二乘法
明天继续写