一篇文章讲清楚：线性回归

最新推荐文章于 2026-08-31 17:20:36 发布

原创最新推荐文章于 2026-08-31 17:20:36 发布 · 311 阅读

4 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

通过这篇文章，我们需要理解线性回归是什么？知道一元线性回归和多元线性回归的区别，知道线性回归的应用场景。

一、线性回归的概念

线性回归概念 – 举个栗子

假若有了身高和体重数据，来了播仔的身高，你能预测播仔体重吗？

这样的问题是回归问题，该如何求解呢？

思路：先从已知身高X和体重Y中找规律，再预测。

数学问题：用一条线来拟合身高和体重之间的关系，再对新数据进行预测

线性回归的概念：利用回归方程(函数) 对 一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式。

例如：房价的预测

数学公式公式： ℎ(𝑤) = 𝑤1𝑥1+ 𝑤2𝑥2 + 𝑤3𝑥3 + … + 𝑏 = 𝑤𝑇x+𝑏

二、线性回归的分类

•一元线性回归：y = wx +b

•目标值只与一个因变量有关系

编号	身高	体重
1	160	56.3
2	166	60.6
3	172	65.1
4	174	68.5
5	180	75
6	176	？

•多元线性回归： y= 𝑤1𝑥1+ 𝑤2𝑥2+ 𝑤3𝑥3+ … + 𝑏

•目标值只与多个因变量有关系

	房子面积	房子位置	房子楼层	房子朝向	房子价格
数据1	80	1	3	0	81
数据2	100	2	5	1	121
数据3	80	3	3	0	102
…
数据n	90	2	4	1	?

三、线性回归问题的求解

1.线性回归API介绍

线性回归算法流程：

（1）导入数据；（2）数据预处理；（3）特征工程（特征提取，特征预处理）；（4）模型训练；（5）模型预测；（6）模型评估

通过线性回归API可快速的找到拟合结果，那是怎么求解的呢？

如何学习数据分布规律？

如何找到最优解？

因此，我们需要找到一个评价指标——损失函数

2.损失函数

首先需要了解误差的概念

误差概念：用预测值y – 真实值y就是误差

损失函数：衡量每个样本预测值与真实值效果的函数，也叫代价函数、成本函数、目标函数

“红色直线能更好的拟合所有点”也就是误差最小；误差和最小

损失函数主要分为以下几种：

均方误差 (Mean-Square Error, MSE)：

平均绝对误差 (Mean Absolute Error , MAE)

四、总结

1.线性回归API

实例化模型 estimator = LinearRegression()

训练模型 estimator.fit(x, y)

模型预测： estimator.predict([[4.0]])

2.损失函数概念

误差：预测值 - 真实值的差值

损失函数：衡量预测值和真实值效果的函数，也叫代价函数、目标函数

3.回归问题中的损失函数

最小二乘法 : 误差平方和

均方误差 (Mean-Square Error, MSE)

平均绝对误差 (Mean Absolute Error , MAE)

标签

#线性回归 #回归 #python