单变量线性回归

单变量线性回归

单变量线性回归指的是只有一个自变量；

线性回归是一种有监督学习，解决的是自变量和因变量之间的关系；

回归指的是因变量是连续性的，而如果因变量是离散型的，则是分类问题。

监督学习算法的工作方式可以用如下这张图表示：

将训练集喂给机器学习算法，输出一个假设函数 h，然后新输入一个自变 x 到假设函数内，然后输出一个因变量 y 值。

以房价预测为列，特征为房子的大小，因变量是房价。那么对于一个新的房子的大小，我们如何根据历史的数据来预测出来该房子的价格呢？

?θ（x)= θ0+θ 1，因为只含有一个特征/输入变量，因此这样的问题叫作单变量线性回归问题。

梯度下降

描述：对赋值，使得按梯度下降最快方向进行，一直迭代下去，最终得到局部最小值。其中是a学习率（learning rate），它决定了我们沿着能让代价函数下降程度最大的方 向向下迈出的步子有多大。

a 是学习率，控制着梯度下降算法移动的大小，如果 a过小，那么梯度下降算法就一点点地移动，那么可能需要很长的时间才能够找到全局最小值；如果 a 过大，那么又有可能会导致梯度下降算法找不到最小值，甚至导致代价函数无法收敛。

梯度下降算法的步骤：

1.先预设一个初始的参数值；

2.然后一直不断地改变这个参数值，来减小代价函数；

3.直到最后代价函数达到一个最小值或者局部最优解。

原文地址：https://www.cnblogs.com/xfbestgood/p/12367529.html