---

前言

本人是技术控所以先从应用开始，最后再进入科普机器学习历史环节

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、回归概念

高尔顿(达尔文表兄)提出

• 研究父辈身高和字辈身高关系
• 通过大量统计表明矮个子的父辈的子女平均身高高于父辈，高个子身高的父辈子女平均身高低于父辈。
• 通俗的讲，姚明的孩子身高超过姚明的概率很低，潘长江的孩子超过潘长江的概率很高。
• 大自然有种力量让物种趋于平均。这种现象就叫回归

二、线性回归适用场景

• 身高体重预测
• 房价预测
• 等等

三、线性回归方程

一元线性回归

• f(x) = w1*x+w0
  

多元线性回归方程

• f(x1,x2…xn) = w0+w1X1+w2X2+…wn*Xn

代码如下（示例）：

拟合直线的原则

• 最小二乘法
  数学必备知识
  导数概念
  复合函数求导法则
  偏导数
  极大值，极小值概念
  梯度概念

• 真实值和预测值的误差最小
• 每个点和直线的距离平方和最小
  

梯度下降算法

凸函数和非凸函数

梯度下降学习率

梯度下降算法中被称作为学习率或者步长，意味着我们可以通过α来控制每一步走的距离

例如

代价函数

一元函数梯度下降

上代码实战（房价预测）

import numpy as np
import matplotlib.pyplot as plt

data = np.genfromtxt('data.csv',delimiter=',')

x_data = data[:,0]
y_data = data[:,1]

plt.scatter(x_data,y_data)
plt.show()

w = 0
b = 0
alf = 0.0001
counter = 100

def costFunc(w,b,x_data,y_data):
    totErr = 0;
    for i in range(len(x_data)):
        totErr += (y_data[i]-(w*x_data[i]+b))**2
    return totErr/float(len(x_data))


def gradient_decent(x_data,y_data,w,b,alf,counter):
    m = float(len(x_data))
    for i in range(counter):
        w_temp = 0
        b_temp = 0
        for j in range(len(x_data)):
            w_temp += (1/m) * (w*x_data[j]+b-y_data[j])*x_data[j]
            b_temp += (1/m) * (w*x_data[j]+b-y_data[j])

        w = w-alf*w_temp
        b = b-alf*b_temp

        if i%5==0:
            print("count=",i)
            plt.plot(x_data,y_data,'b.')
            plt.plot(x_data,w*x_data+b,'r')
            plt.show()
            print('b={},w={},costErr={}'.format(b,w,costFunc(w,b,x_data,y_data)))

    return  w,b

w,b = gradient_decent(x_data,y_data,w,b,alf,counter)

100次之后