本文深入浅出地讲解了线性回归的基本概念，如房价预测实例，线性模型的数学表达，以及如何通过平方损失衡量误差。重点介绍了梯度下降优化算法，包括批量大小和学习率的选择，以及小批量随机梯度下降在深度学习中的应用。
回归（
regression）是指⼀类为⼀个或多个⾃变量与因变量之间关系建模的⽅法。在⾃然科学和社会科学领域，回归经常⽤来表⽰输⼊和输出之间的关系。
在机器学习领域中的⼤多数任务通常都与预测（prediction）有关。当我们想预测⼀个数值时，就会涉及到 回归问题。常⻅的例⼦包括：预测价格（房屋、股票等）、预测住院时间（针对住院病⼈）、预测需求（零售 销量）等。但不是所有的预测都是回归问题。
目录
线性回归
eg：房价预测：一个简化模型
假设1：影响房价的关键因素是卧室个数、卫生间个数和居住面积，记为x1,x2,x3。
假设2：成交价是关键因素的加权和。
y=w1x1+w2x2+w3x3。权重和偏差的实际值在后边决定。
线性模型
给定n维的输入 x=[x1,x2
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
