目录
一、线性回归的基本概念：
线性回归是机器学习中 有监督机器学习下的一种算法。 回归问题主要关注的是 因变量(需要预测的值，可以是一个也可以是多个)和一个或多个数值型的 自变量(预测变量)之间的关系。
需要预测的值:即目标变量，target，y， 连续值预测变量。
影响目标变量的因素：X_1…X_n，可以是连续值也可以是离散值。
因变量和自变量之间的关系:即 模型，model，是我们要求解的。
二、简单线性回归：
算法说白了就是公式，简单线性回归属于一个算法，它所对应的公式。
y = wx + b
这个公式中，y 是 目标变量即未来要预测的值，x 是影响 y 的因素，w,b 是公式上的参数即要求的模型。其实 b 就是咱们的 截距，w 就是斜率嘛！ 所以很明显如果模型求出来了，未来影响 y 值的未知数就是一个 x 值，也可以说影响 y 值 的因素只有一个，所以这是就叫 简单线性回归的原因。
同时可以发现从 x 到 y 的计算，x 只是一次方，所以这是算法叫 线性回归的原因。 其实，大家上小学时就已经会解这种一元一次方程了。为什么那个时候不叫人工智能算法呢？因为我们在以前的学习中更多强调的是该方程的解，这个解有可能唯一有可能不唯一，而人工智能算法要求的是最优解！
三、最优解：
Actual value: 真实值，一般使用 y 表示。
Predicted value: 预测值，是把已知的 x 带入到公式里面和 猜出来的参数 w,b 计算得到的，一般使用 y 表示。
Error: 误差，预测值和真实值的差距，一般使用 \varepsilon 表示。
最优解:尽可能的找到一个模型使得整体的误差最小，整体的误差通常叫做损失 Loss。
Loss:整体的误差，Loss 通过损失函数 Loss function 计算得到。
四、多元线性回归：
现实生活中，往往影响结果 y 的因素不止一个，这时 x 就从一个变成了 n 个，X1…Xn 同时简单线性回归的公式也就不在适用了。 多元线性回归公式如下：
使用向量来表示，X表示所有的变量，是一维向量；W表示所有的系数（包含w0），是一维向量，根据向量乘法规律，可以这么写：
Original: https://blog.csdn.net/weixin_56197703/article/details/123102280
Author: Aaron-ywl
Title: 机器学习1-（多元）线性回归的基本概念
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/635057/
转载文章受原作者版权保护。转载请注明原作者出处！