既是问题，也是算法。线性回归问题，线性回归算法

1. 引出线性回归问题

• 这里有个预测房价问题，数据两列：面积，价格。我们假设面积和价格成线性关系⇒是一个线性回归问题

• 已知线性回归方程：y=ax+b

• 原问题：一个新的x，求出对应的y。

• ⇒原问题变为：求出合适的a和b

• 用什么方法求出合适的a和b呢？

• 指标：衡量预测是否准确（a，b是否合适）

2. 如何求a和b？

• 引出衡量预测结果的公式：（越小，表明预测结果越准确）

• 引出损失函数J，（多了个1/2m，是为了求导时方便化简）

• ⇒原问题变为：找出使得损失函数J最小时，此时的a和b

• J=g(a,b)=f(p)

3. 梯度下降法（用来求损失函数J的最小值）

损失函数最小值时，对a,b求得偏导都为0⇒求出此时的a,b就是最优a,b

• 梯度下降法，为什么能求出损失函数J的最小值？

• J=f(p)，对p求导
• 情况1：导数>0，此时p_i需要变小才能更接近极小值点，所以上式能求到J的最小值
• 情况2：导数<0，此时p_i需要变大才能更接近极小值点。

• 所以有了下面的重复计算：

• 可以这样理解：sklearn求线性回归模型就是：根据给定的usa_housing_price.csv的数据来进行梯度下降， 求出最合适的a和b，也就是求出了最合适的线性回归模型lr1

4. 模型评估方法

• y与y^’的均分误差MSE，越小越好

• R^2，越大越好

5. 实战见桌面ipy文件夹