线性回归简介
1、情景描述
假设，我们现在有这么一张图：
其中，横坐标x表示房子的面积，纵坐标y表示房价。我们猜想x与y之间存在线性关系： y = k x + b y=kx+b y=kx+b
现在，思考一个问题：如何找到一条直线，使得这条直线尽可能地拟合图中的所有数据点？
这个找最佳拟合直线的过程称为做线性回归
简而言之，线性回归就是在N维空间中找一个类似直线方程y=kx+b一样的函数来拟合数据
线性回归模型则是利用线性函数对一个或多个自变量（x）和因变量（y）之间的关系进行拟合的模型
这里有一个问题，线性等于直线吗？
线性函数的定义是零阶或一阶多项式。特征是二维时，线性模型在二维空间构成一条直线；特征是三维时，线性模型在三维空间中构成一个平面；以此类推，具体见下文线性回归的定义及推导
还有一个问题，那就是如何评判找的哪条直线才是最优的？详见文章最小二乘法：传送门
2、线性回归
1）线性回归的定义及推导
定义：对于一个有n个特征的样本而言，它的线性回归方程如下：
y = f ( x 1 , x 2 , . . . , x n − 1 ) = ω 0 + w 1 x 1 + w 2 x 2 + . . . + w n − 1 x n − 1 y = f(x_1,x_2,...,x_{n-1}) = \omega_0 + w_1x_1 + w_2x_2 +...+w_{n-1}x_{n-1} y=f(x1,x2,...,xn−1)=ω0+w1x1+w2x2+...+wn−1xn−1
其中， w 0 w_0 w0~ w n − 1 w_{n-1} wn−1统称为模型的参数，表示样本有n个特征，有时也用 θ \theta θ或 β \beta β表示
w 0 w_0 w0称为截距， w 1 w_1 w1~ w n − 1 w_{n-1} wn−1称为回归系数（Regression Coefficients）， x 1 x_1 x1~ x n − 1 x_{n-1} xn−1为样本的输入向量，y为样本的输出向量； x 0 x_0 x0始终等于1
根据简单场景推导n个特征的样本线性回归方程过程如下：
假设我们有2个样本：( x 1 x_1 x1=1， y 1 y_1 y1=1)、( x 2 x_2 x2=2， y 2 y_2 y2=3)，我们猜测其关系符合：
y = k x + b y = kx + b y=kx+b
将样本代入函数：
{ k ∗ 1 + b = 1 k ∗ 2 + b = 3 \begin{cases} k * 1 + b = 1 \\ k * 2 + b = 3 \end{cases} {k∗1+b=1k∗2+b=3
按照从 x 0 x_0 x0~ x n − 1 x_{n-1} xn−1的顺序排列：
{ b ∗ 1 + k ∗ 1 = 1 b ∗ 1 + k ∗ 2 = 3 \begin{cases} b*1 + k*1 = 1 \\ b*1 + k*2 = 3 \end{cases} {b∗1+k∗1=1b∗1+k∗2=3
对应到2个特征的线性回归方程模板：
{ b ∗ x 01 + k ∗ x 11 = y 1 b ∗ x 02 + k ∗ x 12 = y 2 \begin{cases} b*x_{01} + k*x_{11} = y_1 \\ b*x_{02} + k*x_{12} = y_2 \end{cases} {b∗x01+k∗x11=y1b∗x02+k∗x12=y2
将方程转换为矩阵：
1 1 1 2 \] \[ b k \] = \[ 1 3 \] \\left\[ \\begin{matrix} 1 \& 1 \\\\ 1 \& 2 \\end{matrix} \\right\] \\left\[ \\begin{matrix} b \\\\ k \\end{matrix} \\right\] = \\left\[ \\begin{matrix} 1 \\\\ 3 \\end{matrix} \\right\] \[1112\]\[bk\]=\[13
其中， x 0 x_0 x0始终为1。再次对应到2个特征的线性回归方程模板：
1 x 11 1 x 12 \] \[ b k \] = \[ y 1 y 2 \] \\left\[ \\begin{matrix} 1 \& x_{11} \\\\ 1 \& x_{12} \\end{matrix} \\right\] \\left\[ \\begin{matrix} b \\\\ k \\end{matrix} \\right\] = \\left\[ \\begin{matrix} y_1 \\\\ y_2 \\end{matrix} \\right\] \[11x11x12\]\[bk\]=\[y1y2
根据上述过程，推广到一般场景：
1 x 11 x 21 ⋯ x n − 1 , 1 1 x 12 x 22 ⋯ x n − 1 , 2 ⋮ ⋮ ⋮ ⋱ ⋮ 1 x 1 m x 2 m ⋯ x n − 1 , m ω 0 ω 1 ⋮ ω m − 1 = y 1 y 2 ⋮ y m \left \\begin{matrix} 1 \& x_{11} \& x_{21} \& \\cdots \& x_{{n-1},1} \\\\ 1 \& x_{12} \& x_{22} \& \\cdots \& x_{{n-1},2} \\\\ \\vdots \& \\vdots \& \\vdots \& \\ddots \& \\vdots \\\\ 1 \& x_{1m} \& x_{2m} \& \\cdots \& x_{{n-1},m} \\end{matrix} \\right \left \\begin{matrix} \\omega_0 \\\\ \\omega_1 \\\\ \\vdots \\\\ \\omega_{m-1} \\end{matrix} \\right = \left \\begin{matrix} y_1 \\\\ y_2 \\\\ \\vdots \\\\ y_m \\end{matrix} \\right 11⋮1x11x12⋮x1mx21x22⋮x2m⋯⋯⋱⋯xn−1,1xn−1,2⋮xn−1,m ω0ω1⋮ωm−1 = y1y2⋮ym
简化：
X ω = y X\omega=y Xω=y
其中，y为m × \times × 1的矩阵向量，表示模型的理论输出；X为m × \times × n的矩阵向量，表示模型的样本输入，m表示样本数，n表示样本的特征数； ω \omega ω为n × \times × 1的矩阵向量，表示模型有n个特征
2）线性回归的解
线性回归的解析解 ω \omega ω推导：
假设Y是样本的输出矩阵向量，维度为m × \times × 1，则根据勒让德最小二乘准则有：
J ( ω ) = ∣ ∣ y − Y ∣ ∣ 2 = ∣ ∣ X ω − Y ∣ ∣ 2 = ( X ω − Y ) T ( X ω − Y ) J(\omega) = ||y-Y||^2 = ||X\omega-Y||^2=(X\omega-Y)^T(X\omega-Y) J(ω)=∣∣y−Y∣∣2=∣∣Xω−Y∣∣2=(Xω−Y)T(Xω−Y)
根据数学知识，函数导数为0处取极值：
∂ ∂ ω J ( ω ) = 2 X T X ω − 2 X T Y = 0 \frac{\partial}{\partial\omega}J(\omega)=2X^TX\omega-2X^TY=0 ∂ω∂J(ω)=2XTXω−2XTY=0
解得：
ω = ( X T X ) − 1 X T Y \omega=(X^TX)^{-1}X^TY ω=(XTX)−1XTY
3）线性回归解的几何意义
线性回归的解是通过最小二乘法求解的。其几何意义是：求解 Y Y Y在 X X X的列向量空间中的投影
几何意义的推导后续视情况补充