作为机器学习中的线性回归，它是一个典型的回归问题，由于容易理解、可解释性强，被广泛应用于机器学习的过程中。为了深入了解线性回归相关知识，飞马网于4月12日晚邀请到先后在1号店、飞牛网等电商企业从事算法工作的张飞老师，在线上直播中，为我们分享线性回归知识。

以下本次是分享实录：

一.回归的概念

回归在我们的日常工作中经常会用到，比如预测销量、房价等，我们首先来了解一下什么是回归？

二．变量之间的关系

两个变量之间的关系是怎样的呢？主要包括两种关系：确定性关系和非确定性关系。确定性关系可以通过函数表达出来，例如圆点周长与半径的关系、速度和时间与路程的关系、X与Y的函数关系等。非确定性关系表示两变量之间一种宏观上的关系，不能精确用函数关系来表达，例如青少年身高与年龄的关系、身高与体重的关系、药物浓度与反应率的关系。

三．线性回归的概念

我们下面来介绍线性回归的概念。当两个变量存在准确、严格的直线关系时，可以用Y=a+bX（X为自变量，Y是因变量），表示两者的函数关系。

那为什么叫“回归”呢？这里简单了解一下。高尔顿在研究人的身高时，发现父代与子代的身高不是处于两个极端，而是反映了一个规律，这两种身高父亲的儿子的身高，有向他们父辈的平均身高回归的趋势，即当父亲高于平均身高时，他们的儿子身高比他更高的概率要小于比他更矮的概率；父亲矮于平均身高时，他们的儿子身高比他更矮的概率要小于比他更高的概率，这就是所谓的回归效应。

四．线性回归求解（回归参数的估计）

1.最小二乘法：

要求出a和b这两个参数，就要用到最小二乘法的计算方法，我们看下图的回归方程。最小二乘法即保证各实测点到回归直线的纵向距离的平方和最小，并使计算出的回归方程最能代表实测数据所反映出的直线趋势。

我们简单了解一下最小二乘法计算过程的例子：

函数模型写成矩阵式如下图。t1至tn为输入值，b0、b1做了一个矩阵乘法，y1到yn是实际的值。

根据下面这张图中的战舰数据，我们求b1。

具体计算过程如下：

上面所讲的最小二乘法均是在二元情况下，我们再看看多元情况下的最小二乘法，也可以用矩阵式表达，如下图所示：

用矩阵转置的运算方法来求解，会涉及矩阵逆的计算，就会有一个问题，如果数据量较大，计算就会非常慢，这是就要判断拟合的好坏，那我们用什么指标来衡量呢？第一个方法是我们计算出SE、SR、ST。

我们也可以通过另外的指标—相关系数来衡量拟合的好坏：

在多元线性回归时，数据量比较大的情况下，最小二乘法求解耗费的资源较大，那我们有没有其它的方法呢？我们来看下面这张图：

2.梯度下降：

由此我们引出全新的一个方法来求解线性回归参数—梯度下降，这是我们常用到的一个方法，它计算量较小，且可以得到一个相对而言的局部最优解。一起来看一下梯度下降的方法和算法过程图：

梯度下降本质上是求出一个函数的最小值，使得它的损失函数最小，因此针对损失函数用梯度下降，就能够使梯度下降和线性回归整合，看下图：

①梯度下降Feature Scaling

为了加快梯度下降的执行速度，我们就要将特征标准化，常用的标准化方法如下：

下面是一个练习题：

②梯度下降 多元

在实际问题中，我们的特征不可能只有两个，也许会有很多个，这边举了一个房价的例子：

它的损失函数和之前一样，只是变成了在多元情况下，梯度求解也是由之前的一元改为多元情况，把对应的值求出来，我们来看图：

下面我们来看一下例子：

在实际工作中，这个方法常被用于进行机器算法求解，或者是转置矩阵的形式。

③随机梯度下降

梯度下降有一个扩展性问题，当样本点很大的时候，计算起来就会很慢，所以接下来又提出了随机梯度下降算法。

随机梯度下降算法计算起来很快，但是收敛的过程比较曲折，整体效果上，大多数时候它只能接近局部最优解，而无法真正达到局部最优解，适合用于较大训练集的情况。

它的公式如图所示：

3.比较最小二乘法与梯度下降：

介绍完最小二乘法和梯度下降之后，我们把两者进行一个比较：

五．回归扩展

最后一部分是对于线性回归的扩展，主要介绍岭回归与Lasso回归。

1.岭回归：

其实就是在原本的方程里加入了I2范数，为什么要加I2范数呢？I2范数就是一个惩罚项，使得模型的泛化能力更强，防止我们把参数求解出来之后，在预测过程中所产生模型训练过拟合现象，在预测结果上达到预定效果。

2.Lasso回归：

它是加入了I1范数，I1的好处是存文档时，把某些待估系数输送到邻之间。从下图中可以很直观地看出岭回归与Lasso回归的区别。

以上五大部分就是张老师要讲解的主要内容，下面是最后的问答环节，我们一起来看看都有些什么问题。

1.请问函数的推导过程是不是都要记清楚，还是能运用模型就可以了？

张老师：我们在学习算法时，对算法的基本原理要清楚，像线性回归的求参过程、最小二乘法、梯度下降法，对这些知识的掌握都要比较熟练，至于函数的推导过程不需要完全掌握，但对它的原理一定要清楚，否则就达不到预期效果，不知道如何去调优。

2.为什么最小二乘法是最优方法？

张老师：最小二乘法只是求解线性回归的一种方法，这种方法是求坐标轴实际值与目标值之间的差的平方，它的精度比较弱，适用的模型只有线性回归，在特征非常多时，求解速度也会非常慢，导致模型无法求解成功，一般情况下，我们都是运用梯度下降法来求解参数值，它能逼近局部最优解，所以我们更推荐梯度下降法。

3.归一化怎么应用？

张老师：归一化有很多方法，用当前值减去平均值再除以最大值减最小值，这个是比较简单的方法，但这个方法有一定的局限性，比如样本里面出现异常值，可能会对归一化的顺序产生一定影响，还有其它的一些方法。至于怎么去应用，我们要根据具体的应用场景去选择相应的方法。

以上就是本次线上直播的全部内容，相信通过本次学习，在实际工作当中，大家能更熟练地去运用线性回归算法。想了解更多更详细内容的小伙伴们，可以关注服务号：FMI飞马网，点击菜单栏飞马直播，即可进行学习。