机器学习算法详解2：线性回归
前言
本系列主要对机器学习上算法的原理进行解读，给大家分享一下我的观点和总结。
本篇前言
本篇对线性回归的算法原理进行解读。
目录结构
文章目录
1. 引子
我们有这样的数据：（瞎编的）
| 薪资/万元每年 | 所住房子价格/万元 |
|---|---|
| 10 | 100 |
| 20 | 150 |
| 30 | 300 |
| 50 | 500 |
| 100 | 1000 |
画出图如下：
那么，问题是：如果一个人的工资是60万每年，那么他所住的房价大概在多少？这个问题很好解决，我们从图中可以看出数据符合线性分布，我们可以画一条直线拟合这些数据点，然后代入新数据60，就可以得出对应的结果，如下图所示：
如何求出这条直线就是线性回归要解决的问题。
2. 原理
线性回归分为二元线性回归和多元线性回归，同时也是一个数学解释性非常强的算法，也因此通常作为第一个学习的机器学习算法。
公式推导过程如下：（需要一点点矩阵微分的知识+矩阵可逆判定知识）
3. 特点
线性回归的主要特点是：
- 抗冗余
y = w1 * x1 + w2 * x2 + b
假设x1与x2特征相同，那么可以变化为：y = (w1+w2)x1 + b = wx + b
- 抗噪声
y = w1 * x1 + w2 * Δ + b
假设Δ为噪声，那么学习完成后w2=0，结果为y = w1*x1 + b
4. 问题解答
4.1 问题1
问题：为什么损失函数不用MAE？
假设有以下的数据值：
| y-yi | MAE | MAE间差值 | MSE | MSE间差值 |
|---|---|---|---|---|
| 5 | 5 | 25 | ||
| 4 | 4 | 1（5-4） | 16 | 9 |
| 3 | 3 | 1（4-3） | 9 | 7 |
| 2 | 2 | 1 | 4 | 5 |
| 1 | 1 | 1 | 1 | 3 |
不难从上表看出，MAE并没有倾向性，MSE具有倾向性。可以这么解释，对于机器学习模型来说，学习数据，肯定是先学习到那些容易学习到的性质，当学习到一定程度，如果再继续学已经学习过的知识收益肯定变小了，而对于MAE而言，他感受不到收益变小了，因为每次学习的知识都差1，但是对于MSE而言，就可以明显感觉到收益降低，因此它会主动去学习新知识以提高收益。
4.2 问题2
问题：对于线性回归而言，是不是拟合函数y=w0*x+w1*x2+w2*x3…越多越好？
答：是的，可以这么解释：
y1 = w0 * x + w1 * x^2
y2 = w0 * x
对于y1而言，只要w1=0就退化到了y2，自然y1的性能至少都要比y2好
4.3 问题3
问题：这里线性回归不是求解出来了解析解吗？为什么sklearn库实现那些算法仍然是通过梯度优化算法呢？
其实，如果让你我来实现线性回归，肯定是用解析解来实现的。但是对于写库的人来说，肯定需要考虑到通用性，他只需要写一个通用的梯度算法就可以实现绝大部分算法的优化。
因此，对于有解析解的算法，你可以自己从底层来实现它，也可以选择使用梯度下降算法来实现它。
5. 广义线性回归
如下图所示：
可以明显看出这个拟合曲线应该是：y=w1x^2 + w2x + w0，我们可以令x^2=A,x=B，那么曲线变为y=w1A+w2B+w0，此时变为了直线方程，将该直线称之为广义线性回归。
由这个思路，可以推导出逻辑回归这个算法的出现。
6. 岭回归与lasso回归
在上一篇中讲解了正则化的知识，而对于线性回归引入正则化公式，就得到了岭回归和lasso回归，损失函数分别如下：（图来自此）
两者的区别可以我这篇博客：《深入机器学习1：详解正则表达式》。另外，需要注意的是岭回归还可以解决多元线性回归中矩阵不可逆的现象（同样在这篇文章中进行了解释）。
7. 总结
本篇介绍了线性回归的应用、公式推导、特点以及其推广。线性回归是很简单的算法，但是在实际任务中应用也比较多。
下一篇，介绍逻辑回归。