🔐 登录 ✍️ 注册

博主头像

单变量线性回归｜机器学习

外来客 • 2026-08-19 11:14:04

声明：本文为对公开视频内容的摘要整理，未经本站独立核实，可能与原视频存在出入，不代表本站立场、观点或建议；观点与版权归原作者及原平台所有。如涉及版权问题，请联系我们，核实后立即删除。 [ 免责声明 ]

（原标题：Part IV - Linear Regression with One Variable｜Machine Learning - Dreamer M）

📊 监督学习与回归基础

监督学习分为分类和回归两大分支，本部分聚焦于最简单的单变量线性回归。
回归模型的目标是预测连续值（如房价、身高），输出可以是范围内的任意数值。
核心任务是通过拟合数据，使模型能够尽可能准确地预测真实世界的数值。
线性回归虽看似简单，但它是理解更复杂机器学习模型的基础基石。

🏠 房价预测案例流程

以 Kaggle 房价预测为例，构建回归模型需包含房屋面积（输入特征）和价格（目标变量）的数据集。
数据可视化步骤将原始数据转化为图表，X 轴代表房屋面积，Y 轴代表价格，以便发现两者间的关系。
模型训练的目标是找到一条直线（假设函数），使其最小化预测值与实际数据点之间的平均误差。
训练完成后，模型可用于新数据预测，例如预测面积为 1899 平方英尺的房屋价格约为 479,000 美元。
尽管预测值可能与实际价格存在偏差，但良好的拟合度能确保预测结果接近真实值。

📝 符号定义与数据表示

$m$ 表示训练样本的数量，即数据集中的行数。
$x$ 代表输入特征（如房屋面积），$y$ 代表目标变量（如房屋价格）。
每个 $(x, y)$ 对构成一个训练样本，单个样本通过上标索引表示，如 $x^{(1)}$ 表示第一个输入，$y^{(6)}$ 表示第六个目标值。
示例中，$x^{(1)}$ 的值为 2104，$y^{(6)}$ 的值为 302（注：转录中数字可能存在识别误差，此处仅保留转录明确提及的对应关系逻辑）。
掌握这些符号表示法是理解机器学习数据处理机制的关键。

⚙️ 模型构建与假设函数

模型构建流程始于训练数据集，这是整个模型的基础，数据质量直接影响输出结果。
学习算法处理数据并发现模式，输出一个预测函数，该函数也被称为假设函数（Hypothesis）。
在单变量线性回归中，假设函数表示为 $h(x) = \theta_0 + \theta_1 x$。
$\theta_0$ 和 $\theta_1$ 是模型参数，$x$ 是输入，$h(x)$ 是预测价格。
该公式本质上是一条直线，通过调整参数确定直线的位置和斜率，以更好地拟合数据点。

📉 代价函数与参数优化

代价函数（Cost Function）用于衡量假设函数预测值与实际值之间的差异。
计算公式为所有数据点平方差的平均值，公式中包含 $\frac{1}{2}$ 因子以简化后续梯度下降的计算。
该公式即均方误差（MSE），用于量化模型性能。
优化目标是调整 $\theta_0$ 和 $\theta_1$ 以最小化代价函数值。
当 $\theta_0$ 固定为 0 时，通过迭代调整 $\theta_1$ 并计算代价，可绘制出代价函数随 $\theta_1$ 变化的曲线。
全局最小值点对应最佳参数组合，例如当 $\theta_1 = 1$ 时，代价函数值最小，此时假设函数最贴合数据。
若需同时调整 $\theta_0$ 和 $\theta_1$，则需在三维空间中寻找代价函数曲面的最低点（全局最小值）。
通过不断迭代调整参数，使假设函数与训练样本尽可能对齐，从而实现准确的预测。

👤 同一博主

🧭 类似博主

0 条评论

发表评论

请先登录后参与讨论。