前言

随着互联网数据不断累积，硬件不断升级迭代，在这个信息爆炸的时代，机器学习已被应用在各行各业中，可谓无处不在。在入门机器学习时，所学习的第一个模型大概率是线性回归模型，本篇博客从底层原理到代码实现一步一步带你了解如何是线性回归。

1.基础概念

线性回归旨在建立一个线性模型，通过若干带有标注的样本数据构造出一个预测模型f(x),用于描述自变量（特征）与因变量（目标）之间的关系。
最典型的线性回归模型，同时也是举例最多的例子便是预测房价，网上也有很多相关的数据集。其数学模型可以表示为：

拆开形式为：

当然也可以将参数b融入w向量中，只需在所有样本x后面加上新的属性值为1即可

2.代价函数

对于线性回归问题，一般使用平方误差作为代价函数，所以代价函数可以表示为：

所以训练的目标为让代价函数最小，此时我们可以直接求偏导令其等于零，来确定参数w,b，也可以使用梯度下降算法，此处本篇博客使用梯度下降算法，在运用梯度下降算法之前我们需要确定梯度，推导过程如图所示：
后续算法设计时需要用到。
这里对 梯度下降简要解释一下 ：对一个函数，根据某点的梯度（斜率），以一定的步长即学习率来逼近极值点。

3.单变量线性回归

现在大多数都会用sklearn来实现线性回归模型，而忽略了底层如何实现的，所以本篇博客介绍如何一步一步实现梯度下降，而不使用现有以封装好的库

3.1加载数据

此处我们使用pandas库提供的函数来读取csv格式的文件

import pandas as pd
df=pd.read_csv('./data/regress_data1.csv')
x=df.iloc[:,:1].values
y=df.iloc[:,1:2].values

运行结果：

3.2初始化超参数

w=0
b=0
predict=w*x+b

此时该模型预测结果为predict，显然不是一个好的模型，因此需要梯度下降来调整超参数w,b，此时我们计算一下当前模型的代价：

import numpy as np
m=len(x)
loss=np.sum(np.power(y-predict,2))/(2*m)

3.3梯度下降算法

3.3.1初次梯度下降

在计算梯度下降时，你可能出现这个问题，反正我出现了，但慢慢调过后就没了，原因是它把它当作矩阵处理的所以出现这个问题，所以可以之间将其转化为向量就会避免这个问题出现了


因此正确代码应该为：

w=0
b=0
learning_rate=0.0
temp_w=w-np.dot((predict-y)[:,0],x[:,0])/m*learning_rate
temp_b=b-np.sum(predict-y)/m*learning_rate
w=temp_w
b=temp_b
w,b

此时的代价函数为：

predict=w*x+b
np.sum(np.power(y-predict,2))/(2*m)

此时发现该模型的代价比之前模型的代价更低

3.3.2 多次梯度下降

此处我们迭代了1000次，并输出了损失

learning_rate=0.01
w=0
b=0
for epoch in range(1000):temp_w=w-np.dot((predict-y)[:,0],x[:,0])/m*learning_ratetemp_b=b-np.sum(predict-y)/m*learning_ratew=temp_wb=temp_bpredict=w*x+bloss=np.sum(np.power(y-predict,2))/(2*m)if((epoch+1)%100==0):print("第{}轮梯度下降后的损失为:{}".format(epoch+1,loss))

输出结果：

3.3.3结果可视化

import matplotlib.pyplot as plt
learning_rate=0.01
w=0
b=0
plt.scatter(x,y)for epoch in range(1000):temp_w=w-np.dot((predict-y)[:,0],x[:,0])/m*learning_ratetemp_b=b-np.sum(predict-y)/m*learning_ratew=temp_wb=temp_bpredict=w*x+bloss=np.sum(np.power(y-predict,2))/(2*m)if((epoch)%100==0):print("第{}轮梯度下降后的损失为:{}".format(epoch,loss))plt.plot(x, predict)
plt.show()