python进行多元非线性回归_免费Python机器学习课程二：多元线性回归

从头开始学习为Python中任意数量的变量开发多元线性回归。

线性回归可能是最简单的机器学习算法。对于初学者来说非常好，因为它使用简单的公式。因此，这对学习机器学习概念很有帮助。在本文中，我将尝试逐步解释多元线性回归。

概念和公式

线性回归使用我们在学校都学过的简单公式：

Y = C + AX

提醒一下，Y是输出或因变量，X是输入或自变量，A是斜率，C是截距。

对于线性回归，对于相同的公式，我们遵循以下符号：

如果我们有多个自变量，则线性回归的公式将如下所示：

在这里，" h"称为假设。这是预测的输出变量。Theta0是偏差项，所有其他theta值是系数。它们首先是随机启动的，然后使用算法进行优化，以便此公式可以紧密预测因变量。

成本函数和梯度下降

当theta值从一开始就被初始化时，该公式未经过训练以预测因变量。该假设与原始输出变量" Y"相去甚远。这是估算所有训练数据的累积距离的公式：

这称为成本函数。如果您注意到了，它从假设(预测输出)中减去y(原始输出)，取平方去掉负数，求和除以2乘以m。在此，m是训练数据的数量。您可能会看到成本函数是原始输出和预测输出之间差异的指示。机器学习算法的思想是最小化成本函数，以使原始输出与预测输出之间的差异更小。为此&