深度学习入门笔记（六）线性回归模型

本节，我们用线性回归为例子，回顾一些基本概念

6.1 相关性

相关性的取值范围是-1 到 1，越接近 1 或者-1 代表越相关，越接近 0 则越不相关。相关系数大于 0 称为正相关，小于 0 称为负相关。

假如 A 与 B 正相关，则是说 A（B）会随着 B（A）的增大而增大，减小而减小。假如 A 与 B 负相关，则是说 A（B）会随着 B（A）的增大而减小，减小而增大。皮尔逊系数就是常用的相关性方法。

6.2 什么是线性回归

顾名思义，就是用一种线性关系进行回归。回归与分类都属于有监督学习，分类预测的是一个类别，而回归预测的是一个数值，例如房价、天气的温度、股票的走势。

线性关系 f(x)可以定义为

向量的表示方式为

其中 w 为权重，是一个列向量，b 是一个偏移项。这个 f(x)就是我们说的线性回归模型。我们对 f(x)的训练，就是获得 f(x)中的 w 与 b。

我们可不可以把线性回归模型用于分类问题呢？答案是可以的，只需要把回归方程 f(x)输出加一个 sigmoid 函数就可以了。