最简单的线性回归：用人话讲明白线性回归LinearRegression

特别说明：文中含有大量公式，只能转化为图片后才能正常显示，造成阅读不畅请谅解。

本文由【化简可得】原创，转载请联系本人，谢谢！

目录

1. 什么是回归

2. 一元线性回归

3. 损失函数

4. 最小二乘估计

5. 小结

当我们学习一门新课程、接触一个新专业时，总会对该领域的专有名词感到困惑，甚至看完解释仍难以理解其含义。在我们一起学习machine learning的过程中，我会尽量对相关名词用"人话"做一遍解释，以减少学习的"痛苦感"。

譬如今天要学的线性"回归"，这个回归（regression）和我们平时说的"回归祖国"的回归（return）是两个含义完全不同的词，它有"倒推"的含义在里面。我们学习的时候一定要抛开现有的认知，这样才能对新知识有更高的接受度。

那么，这个回归究竟是什么意思呢？其实回归算法是相对分类算法而言的，与我们想要预测的目标变量y的值类型有关。如果目标变量y是分类型变量，如预测用户的性别（男、女），预测月季花的颜色（红、白、黄……），预测是否患有肺癌（是、否），那我们就需要用分类算法去拟合训练数据并做出预测；如果y是连续型变量，如预测用户的收入（4千，2万，10万……），预测员工的通勤距离（500m，1km，2万里……），预测患肺癌的概率（1%，50%，99%……），我们则需要用回归模型。

聪明的你一定会发现，有时分类问题也可以转化为回归问题，例如刚刚举例的肺癌预测，我们可以用回归模型先预测出患肺癌的概率，然后再给定一个阈值，例如50%，概率值在50%以下的人划为没有肺癌，50%以上则认为患有肺癌。

这种分类型问题的回归算法预测，最常用的就是逻辑回归，后面我们会讲到。

线性回归可以说是用法非常简单、用处非常广泛、含义也非常容易理解的一类算法，作为机器学习的入门算法非常合适。我们上中学的时候，都学过二元一次方程，我们将y作为因变量，x作为自变量，得到方程：

当我们只用一个x来预测y，就是一元线性回归，也就是在找一个直线来拟合数据。比如，我有一组数据画出来的散点图，横坐标代表广告投入金额，纵坐标代表销售量，线性回归就是要找一条直线，并且让这条直线尽可能地拟合图中的数据点。

这里我们得到的拟合方程是y = 0.0512x 7.1884，此时当我们获得一个新的广告投入金额后，我们就可以用这个方程预测出大概的销售量。

那既然是用直线拟合散点，为什么最终得到的直线是y = 0.0512x 7.1884，而不是下图中的y = 0.0624x 5呢？这两条线看起来都可以拟合这些数据啊？毕竟数据不是真的落在一条直线上，而是分布在直线周围，所以我们要找到一个评判标准，用于评价哪条直线才是最"合适"的。

我们先从残差说起。残差说白了就是真实值和预测值间的差值（也可以理解为差距、距离），用公式表示是：

用公式表示就是：

这个公式是残差平方和，也叫均方误差（MSE），还叫欧氏距离（用于计算点间的距离，记住这个名称，以后我们会经常提到），在机器学习中它是回归问题中最常用的损失函数。一个公式好多个名称，刚接触都会觉得晕，但慢慢熟悉之后就好了。

所以，现在我们知道了损失函数是衡量回归模型误差的函数，也就是我们要的"直线"的评价标准。这个函数的值越小，说明直线越能拟合我们的数据。

当给出两条确定的线，如y = 0.0512x 7.1884，y = 0.0624x 5时，我们知道怎么评价这两个中哪一个更好，即用损失函数评价。那么我们试试倒推一下？

------------------------我是头疼的分割线-----------------------------

以下是我们最头疼的数据公式推导，我尽量对每个公式作解释说明。

我们再来看一下残差平方和的公式：

这类函数在数学中叫做凸函数，意思就是处处连续可导且有最小值。

线性回归的定义，是利用最小二乘函数对一个或多个自变量之间关系进行建模的方法。现在我们看这个定义，是不是觉得不难理解了呢？

以上举的例子是一维的例子（x只有一个），如果有两个特征，就是二元线性回归，要拟合的就是二维空间中的一个平面。如果有多个特征，那就是多元线性回归：

最后再提醒一点，做线性回归，不要忘了前提假设是y和x呈线性关系，如果两者不是线性关系，就要选用其他的模型啦。