线性回归是机器学习中最基础的算法之一，用于建立输入变量（特征）与输出变量
线性回归原理与代码实现
线性回归是机器学习中最基础的算法之一，用于建立输入变量（特征）与输出变量（目标）之间的线性关系。以下是其核心原理及Python实现。
数学原理
线性回归模型表示为：
$y = wX + b$
其中：
- $y$ 是预测值
- $X$ 是输入特征矩阵
- $w$ 是权重（斜率）
- $b$ 是偏置项（截距）
目标是最小化损失函数（均方误差）：
$L = \frac{1}{N}\sum_{i=1}^N (y_i - (wX_i + b))^2$
代码实现
import numpy as np class LinearRegression: def __init__(self): self.w = None # 权重 self.b = None # 偏置 def fit(self, X, y, learning_rate=0.01, epochs=1000): # 初始化参数 n_samples, n_features = X.shape self.w = np.zeros(n_features) self.b = 0 # 梯度下降 for _ in range(epochs): y_pred = np.dot(X, self.w) + self.b # 计算梯度 dw = (1/n_samples) * np.dot(X.T, (y_pred - y)) db = (1/n_samples) * np.sum(y_pred - y) # 更新参数 self.w -= learning_rate * dw self.b -= learning_rate * db def predict(self, X): return np.dot(X, self.w) + self.b使用示例
# 生成示例数据 X = np.array([[1], [2], [3], [4]]) y = np.array([2, 4, 6, 8]) # 训练模型 model = LinearRegression() model.fit(X, y) # 预测 print(model.predict(np.array([[5]]))) # 输出接近10关键点说明
- 梯度下降：通过迭代调整参数使损失函数最小化
- 学习率：控制参数更新步长，过大可能无法收敛，过小收敛慢
- 特征缩放：在实际应用中建议对特征做标准化处理
扩展建议
- 添加正则化（L1/L2）防止过拟合
- 实现批量梯度下降/随机梯度下降变体
- 添加模型评估指标（如R²分数）
这段代码完整实现了线性回归的核心逻辑，包含训练和预测功能，适合初学者理解算法本质。实际应用时可结合Scikit-learn等库进行优化。
公式解析
该公式表示均方误差损失函数（Mean Squared Error, MSE），常用于回归问题的模型训练中，用于衡量模型预测值与真实值之间的差异。
- 符号说明：
- $N$：样本数量。
- $y_i$：第 $i$ 个样本的真实值。
- $X_i$：第 $i$ 个样本的特征向量。
- $w$：模型权重参数（可能是标量或向量，取决于 $X_i$ 的维度）。
- $b$：偏置项（截距）。
- $wX_i + b$：模型的线性预测值。
数学意义
公式计算所有样本的预测误差平方的平均值：
- 对每个样本，计算预测值 $wX_i + b$ 与真实值 $y_i$ 的差值。
- 对差值取平方，消除正负影响并放大较大误差。
- 对所有样本的平方误差求和并除以样本数 $N$，得到平均误差。
代码实现（Python）
import numpy as np def mean_squared_error(y_true, y_pred): """ 计算均方误差损失 :param y_true: 真实值数组，形状 (N,) :param y_pred: 预测值数组，形状 (N,) :return: MSE 标量值 """ return np.mean((y_true - y_pred) ** 2) # 示例用法 y_true = np.array([3, 5, 7]) y_pred = np.array([2.5, 5.1, 7.8]) mse = mean_squared_error(y_true, y_pred) print(f"MSE: {mse:.4f}")优化目标
在训练中，通过调整 $w$ 和 $b$ 最小化 $L$：
- 使用梯度下降等优化算法，计算 $L$ 对 $w$ 和 $b$ 的偏导数：
- $\frac{\partial L}{\partial w} = -\frac{2}{N}\sum_{i=1}^N X_i(y_i - (wX_i + b))$
- $\frac{\partial L}{\partial b} = -\frac{2}{N}\sum_{i=1}^N (y_i - (wX_i + b))$
- 迭代更新参数直至收敛。