线性回归及梯度下降法

• 回归分析：用来建立方程模拟两个或者多个变量之间如何关联
  被预测的变量叫：因变量，输出
  用来进行预测的变量叫：自变量，输入
  
  
  h_θ（x） = θ₀+θ₁x
  这个方程对应的图像是一条直线，称为回归线。其中，θ₁为回归线的斜率，θ₀为回归线的截距

• 代价函数（cost Function）

• 最小二乘法：

• 真实值y，预测值h_θ（x），则误差为（y-h_θ（x））²

• 找到合适的参数，使得误差平方和：
  最小
  【注：可有可无，主要是为了求导和平方的2抵消】
  

  线性回归
  
  

• 相关系数
  我们使用相关系数去衡量线性相关性的强弱
  

• 决定系数
  相关系数R（coefficient of determination）是用来描述两个变量之间的线性关系的，但决定系数的适用范围更广，可以用于描述非线性或者有两个及两个以上的相关关系。它可以用来评价模型的效果

总平方和（SST） ： 【是真实值，是真实值的平均值】
回归平方和（SSR） ：【是预测值】
残差平方和（SSE）：
它们三者的关系是：SST=SSR+SSE

决定系数： 【的值越接近1，说明它们之间的关系越接近于线性的关系，越接近0就越不接近于线性关系】

• 梯度下降法：
  有这么一个函数 求
  1. 初始化
  2. 不断改变，直到 到达全局最小值，或局部极小值
  图1

图2

取不同初始值的变化结果，如图1取值，然后不断改变，直到 到达全局最小值，如图2取值，然后不断改变，直到 到达局部极小值

repeat until convergence {
【α指的是学习率】
}

正确做法 ：同步更新

不正确做法：

现在假设只有一个参数，公式如下，现在看图3中的曲线，当我们的取①处的值，那么我们计算出来的斜率是负数，α学习率为正数，相乘就为负数，则减去这个负值以后就变大了，赋给，的取值大了，现在到了②处，计算出来的斜率还是负数，α学习率为正数，相乘就为负数，则减去这个负值以后又变大了，接下来到了③处，计算出来的斜率还是正数，α学习率为正数，相乘就为正数，则减去这个正值以后变小了，则下次取值一定在③的左侧，都会忘最小值靠近。【学习率的值不能太小（变化会太慢），也不能太大（变化会太大），可以多尝试，找到比较合适的 0.1，0.03，0.003，0.001........等等】

图3

• 用梯度算法来求解线性回归：

repeat until convergence {


}


梯度算法可能会陷入局部最小值：

梯度下降算法的代价函数是凸函数，所以会一直往最小值走

梯度下降算法的代价函数