线性回归理论+实战

线性回归

什么是线性回归

3.1. 线性回归 — 动手学深度学习 2.0.0 documentation (d2l.ai)

模型

损失函数

模型拟合（fit）数据之前，我们需要确定一个拟合程度的度量。 损失函数（loss function）能够量化目标的实际值与预测值之间的差距。通常我们会选择非负数作为损失，且数值越小表示损失越小，完美预测时的损失为0。回归问题中最常用的损失函数是平方误差函数。

解析解

线性回归的解可以用一个公式简单地表达出来， 这类解叫作解析解（analytical solution）。像线性回归这样的简单问题存在解析解，但并不是所有的问题都存在解析解。 解析解可以进行很好的数学分析，但解析解对问题的限制很严格，导致它无法广泛应用在深度学习里。

随机梯度下降

即使在我们无法得到解析解的情况下，我们仍然可以有效地训练模型。 在许多任务上，那些难以优化的模型效果要更好。 因此，弄清楚如何训练这些难以优化的模型是非常重要的。

本书中我们用到一种名为**梯度下降（gradient descent）**的方法， 这种方法几乎可以优化所有深度学习模型。 它通过不断地在损失函数递减的方向上更新参数来降低误差。

用模型进行预测

给定“已学习”的线性回归模型wx+b， 现在我们可以通过房屋面积x1和房龄x2来估计一个（未包含在训练数据中的）新房屋价格。 给定特征估计目标的过程通常称为预测（prediction）或。

从线性回归到深度网络

线性回归可以看成是一个单层网络

实战

在了解线性回归的关键思想之后，我们可以开始通过代码来动手实现线性回归了。

流程如下

1. 生成数据
2. 读取数据
3. 初始化模型参数
4. 定义模型
5. 定义损失函数
6. 定义优化算法
7. 训练
8. 验证

具体代码如下

3.2. 线性回归的从零开始实现 — 动手学深度学习 2.0.0 documentation (d2l.ai)

hapter_linear-networks/linear-regression-scratch.html)