人們早就知曉，相比涼爽的天氣，蟋蟀在較為炎熱的天氣里鳴叫更為頻繁。數十年來，專業和業余昆蟲學者已將每分鐘的鳴叫聲和溫度方面的數據編入目錄。Ruth 阿姨將她喜愛的蟋蟀數據庫作為生日禮物送給您，并邀請您自己利用該數據庫訓練一個模型，從而預測鳴叫聲與溫度的關系。

首先建議您將數據繪制成圖表，了解下數據的分布情況：

圖 1. 每分鐘的鳴叫聲與溫度（攝氏度）的關系。

毫無疑問，此曲線圖表明溫度隨著鳴叫聲次數的增加而上升。鳴叫聲與溫度之間的關系是線性關系嗎？是的，您可以繪制一條直線來近似地表示這種關系，如下所示：

圖 2. 線性關系。

事實上，雖然該直線并未精確無誤地經過每個點，但針對我們擁有的數據，清楚地顯示了鳴叫聲與溫度之間的關系。只需運用一點代數知識，您就可以將這種關系寫下來，如下所示：

y = mx + b

其中：

• y指的是溫度（以攝氏度表示），即我們試圖預測的值。
• m指的是直線的斜率。
• x指的是每分鐘的鳴叫聲次數，即輸入特征的值。
• b指的是 y 軸截距

按照機器學習的慣例，您需要寫一個存在細微差別的模型方程式：

y' = b + ω?x?

其中：

• y'指的是預測標簽（理想輸出值）。
• b指的是偏差（y 軸截距）。而在一些機器學習文檔中，它稱為ω0。
• ω?指的是特征 1 的權重。權重與上文中用 m表示的“斜率”的概念相同。
• x?指的是特征（已知輸入項）。

要根據新的每分鐘的鳴叫聲值x?推斷（預測）溫度?y'，只需將 x?x1?值代入此模型即可。

下標（例如?ω??和?x?x1

）預示著可以用多個特征來表示更復雜的模型。例如，具有三個特征的模型可以采用以下方程式：

y' = b +?ω?x? + ω?χ?? + ω?χ?

y′=b+w1x

y=mx+

總結

以上是生活随笔為你收集整理的深入了解机器学习(Descending into ML):线性回归的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。