机器学习之线性模型

线性模型是机器学习中最基础的模型，顾名思义，线性模型的样子像一条线，就像下图这样：

线性模型的基本形式

图上的每一个点代表一条历史数据，每一个点的横坐标代表这条历史数据的特征，纵坐标代表这条历史数据的标记，用方程可以表示为：

y = ax + b

如果一条历史数据有多个特征，那么方程可以变成：

y = a₁x₁ + a₂x₂ + ... + a_nx_n

还是以西瓜为例，西瓜的线性模型可以表示成：

y = 0.5x_敲响 + 0.2x_色泽 + 0.2x_条纹 + 1

从这个例子可以看出线性模型有非常好的解释性，特征前面的系数就像特征的权重，而各个权重的大小就是根据历史数据解出来的。

有了这个模型之后我们就可以根据根据西瓜的特征判断西瓜是甜还是不甜了，比如我们可以给敲响、色泽和条纹打分，最高分10分，最低分0分，比如条纹非常非常清晰就给10分，非常非常模糊就打0分，这样我们就可以根据方程算出y值了，再定义一个阈值（比如6），大于等于6的就算甜，小于6的就不甜。

线性模型适用于各个特征对结果的贡献都相对独立的场景，如果特征之间还有关联，就不适合用线性模型了。

最后看一个不是线性模型能解决的问题：

非线性模型