监督学习中，如果预测的变量是离散的，我们称其为分类（如决策树，支持向量机等），如果预测的变量是连续的，我们称其为回归。回归分析中，如果只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。对于二维空间线性是一条直线；对于三维空间线性是一个平面，对于多维空间线性是一个超平面...这里，谈一谈最简单的一元线性回归模型。
1.一元线性回归模型
模型如下：
总体回归函数中Y与X的关系可是线性的，也可是非线性的。对线性回归模型的“线性”有两种解释：
（1）就变量而言是线性的，Y的条件均值是 X的线性函数
（2）就参数而言是线性的，Y的条件均值是参数
的线性函数
线性回归模型主要指就参数而言是“线性”,因为只要对参数而言是线性的,都可以用类似的方法估计其参数。
2.参数估计——最小二乘法
对于一元线性回归模型, 假设从总体中获取了n组观察值（X1，Y1），（X2，Y2）， …，（Xn，Yn）。对于平面中的这n个点，可以使用无数条曲线来拟合。要求样本回归函数尽可能好地拟合这组值。综合起来看，这条直线处于样本数据的中心位置最合理。 选择最佳拟合曲线的标准可以确定为：使总的拟合误差（即总残差）达到最小。有以下三个标准可以选择：
（1）用“残差和最小”确定直线位置是一个途径。但很快发现计算“残差和”存在相互抵消的问题。
（2）用“残差绝对值和最小”确定直线位置也是一个途径。但绝对值的计算比较麻烦。
（3）最小二乘法的原则是以“残差平方和最小”确定直线位置。用最小二乘法除了计算比较方便外，得到的估计量还具有优良特性。这种方法对异常值非常敏感。
最常用的是普通最小二乘法（ Ordinary Least Square，OLS）：所选择的回归模型应该使所有观察值的残差平方和达到最小。（Q为残差平方和）
样本回归模型：
残差平方和：
则通过Q最小确定这条直线，即确定
，以
为变量，把它们看作是Q的函数，就变成了一个求极值的问题，可以通过求导数得到。求Q对两个待估参数的偏导数：
3.最小二乘法c++实现
#include<iostream>
#include<fstream>
#include<vector>
using namespace std;
class LeastSquare{
double a, b;
public:
LeastSquare(const vector<double>& x, const vector<double>& y)
double t1=0, t2=0, t3=0, t4=0;
for(int i=0; i<x.size(); ++i)
t1 += x[i]*x[i];
t2 += x[i];
t3 += x[i]*y[i];
t4 += y[i];
a = (t3*x.size() - t2*t4) / (t1*x.size() - t2*t2);
//b = (t4 - a*t2) / x.size();
b = (t1*t4 - t2*t3) / (t1*x.size() - t2*t2);
double getY(const double x) const
return a*x + b;
void print() const
cout<<"y = "<<a<<"x + "<<b<<"\n";
int main(int argc, char *argv[])
if(argc != 2)
cout<<"Usage: DataFile.txt"<<endl;
return -1;
vector<double> x;
ifstream in(argv[1]);
for(double d; in>>d; )
x.push_back(d);
int sz = x.size();
vector<double> y(x.begin()+sz/2, x.end());
x.resize(sz/2);
LeastSquare ls(x, y);
ls.print();
cout<<"Input x:\n";
double x0;
while(cin>>x0)
cout<<"y = "<<ls.getY(x0)<<endl;
cout<<"Input x:\n";
监督学习中，如果预测的变量是离散的，我们称其为分类（如决策树，支持向量机等），如果预测的变量是连续的，我们称其为回归。回归分析中，如果只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。对于二维空间线性是一条直线；对于三维空间线性是一个平面，对于多维空间线
总体回归函数中Y与X的关系可是线性的，也可是非线性的。对线性回归模型的“线性”有两种解释：
（1）就变量而言是线性的，Y的条件均值是 X的线性函数
（2）就参数而言是线性的，Y的条件均值是参数的线性函数
线性回归模型主要指就参数而...
5月9号到北大去听hulu的讲座《推荐系统和计算广告在视频行业应用》，想到能见到传说中的项亮大神，特地拿了本《推荐系统实践》求签名。讲座开始，主讲人先问了下哪些同学有机器学习的背景，我恬不知耻的毅然举手，真是惭愧。后来主讲人在讲座中提到了最小二乘法，说这个是机器学习最基础的算法。神马，最基础，我咋不知道呢！ 看来以后还是要对自己有清晰认识。
回来赶紧上百度，搜了下...
//最小二乘拟合相关函数定义
double sum(vector<double> Vnum, int n);
double MutilSum(vector<double> Vx, vector<double> Vy, int n);
目标值 y 是输入变量 x 的线性组合
如果 y^\hat{y}y^ 是预测值，那么有：
y^(w,x)=w0+w1x1+…+wpxp\hat{y}(w, x) = w_0 + w_1 x_1 + … + w_p x_py^(w,x)=w0+w1x1+…+wpxp
在sklearn中，定义向量 w=(w1,…,wp)w = (w_1, …, w_p)w=(w1,…,wp) 为系数(斜率) coef_ ，定义 w0w_0w0 为截距 intercept_
普通最小二乘法
在sklearn中，LinearRegression 拟合
神经网络模型可以通过多层神经元的组合来逼近一元线性回归模型。具体来说，可以使用一个输入层和一个输出层，其中输入层只有一个神经元，输出层有一个神经元。在训练过程中，通过反向传播算法来更新神经元的权重和偏置，使得神经网络的输出尽可能接近真实值。
与传统的最小二乘法相比，神经网络模型具有以下不同之处：
1. 神经网络模型可以处理非线性关系，而最小二乘法只能处理线性关系。
2. 神经网络模型可以自适应地学习数据的特征，而最小二乘法需要手动选择特征。
3. 神经网络模型可以处理大量数据，而最小二乘法可能会因为数据量太大而无法处理。
4. 神经网络模型需要大量的计算资源和时间来训练，而最小二乘法的计算量相对较小。
总之，神经网络模型和最小二乘法都有各自的优缺点，需要根据具体问题来选择合适的方法。
typedef函数指针用法
爱钓鱼的歪猴:
typedef函数指针用法
爱钓鱼的歪猴:
