1. 线性模型的基本形式
我们将形式为f(x)=w1x1 +w2x2+...+wnxn+b的方程式称作线性方程。对于这个方程式，只要能求出w1、w2...wn和b，并代入x1、x2...xn，则可以求出对应的f(x)的值。
以上是线性方程式的描述，将此方程式转移到机器学习中的线性模型，描述如下：
由给定的n个特征值组成的特征集示例x=(x1;x2;...;xn)，其中xi是x在第i个特征上的取值，线性回归模型的目标是通过学得w1、w2...wn和b，来准确预测f(x)的值。例如，银行根据一个人的年龄x1、工作收入x2、是否有房子x3来预测给这个人的贷款额度，假设此时的w1为0.3，w2为0.3，w3为0.4，b为1则有f(x)=0.3*x1+0.3*x2+0.4*x3+1。在这里wi即为相应特征的权重。
f(x)=w1x1 +w2x2+...+wnxn+b即成为线性模型，其中的b称为偏置项。此时，如果令w0为1，令x0为b，对该式进行整合，则一般用向量形式表示如下：
f(x) = wTx
2. 线性回归
通常在说线性回归之前，总是要搞清楚“分类”和“回归”这两个概念，这也是机器学习中很重要的概念。简单来讲，“分类”和“回归”都是预测目标值的过程，但是“分类”预测的是离散型变量，而“回归”预测的是连续型变量。还是用银行贷款的例子来说：银行是否给某人贷款，这是个“分类”问题，结果只有贷和不贷两种（离散型变量）；银行给某个人贷多少钱，这是个“回归”问题，因为建立的模型f(x)=w1x1+w2x2+...+wnxn+b得到的是一条直线（直线上的所有点都是连续的），给这个人贷款的额度就是这个直线上的一个点。
通俗来讲，线性回归就是找出一条直线，能够最大限度的拟合所有给定的特征值点（样本点）。如下图所示，其中的所有蓝色小圆点即给定的多个样本点示例，那条蓝色直线就是经过线性回归拟合所有样本点得到的预测线。这么说来，线性回归和数学里边讲的给定一条直线上的几个点（理解为样本点），要求你求出该直线方程的题是一样一样的。这里的方程式称为“回归方程”，要求的参数称为“回归参数”。
但是，通常根据样本点直接求解回归方程中的参数往往是难以求出的，此时就需要转换思路。可以这样来想，“预测值”之所以称之为“预测值”，是因为和真实值之间总是有误差存在的。那么，只要我们能将误差的最小值求出来，不就可以做到误差值和真实值之间的“无限接近”了吗？就好比张三从银行只能贷款5000块，但是银行通过预测模型预测张三能贷款5100块；李四实际能从银行贷款10000块，但是银行通过预测模型预测李四能贷款9990块。绝大多数情况下，银行可能多给，也可能少给，这样的小误差是可以接受的。
设定y为真实值，f(x)为预测值，e为误差值，则有如下公式：
y = f(x)+e
对于任意一个x(其中包括x1,x2...xn)，总有其对应的y值。此时，线性回归的问题就变成了求解最小误差值的问题。
3. 误差值e最小化的求解
1）先说清楚一个概念：高斯分布。
高斯分布也称为正态分布，其概率密度函数如下：
其中，
那么，高斯分布和线性回归的误差e有什么关系呢？
因为误差e（每个样本会产生一个ei）是独立并且具有相同的分布，并且服从均值为0方差为w2的高斯分布。-----请注意，这里是一种机器学习中的假设，实际中可能并不存在完完全全的独立和同分布。这种假设没有严密的数学逻辑来证明，但是采用该模型得出的结论却是正确的。
还是采用银行贷款的例子来进行解释：
独立的解释：任何一个来银行贷款的人之间是独立而没有关系的，这里的没有关系是指银行是否贷款给张三，这和李四没有关系。
同分布解释：任何一个人都来我们模型假定的这家银行贷款，遵守同样的规则（现实中走后门托人找关系的情况这里不考虑）。
高斯分布在此情况下的解释：对于每个贷款人，银行可能多给也可能少给，但是大多数情况下上下浮动不会太大，只有极小情况下浮动较大，这些符合正常情况。
则，此时对于误差e，代入高斯分布的公式得x的概率密度函数：
p(x) = 
又可以从y=f(x)+e推出e=y-f(x)=y-wTx,代入上式可得：
p(y|x;w) = 
2）似然函数
以下是浙大《概率论与数理统计》一书中关于似然函数的定义：
对于线性回归而言，样本值x(x1,x2,x3,...,xn)是已知的，此时需要计算在已知的样本值上取得的最大概率L（）值时的值，在本文中就是计算w的值(w为权重向量)。此时的似然函数如下：
对以上似然函数简单解释为：什么样的参数w，和已知的样本数据X（x1,x2,...,xn）组合后，恰好是真实值。其实也就是似然函数取得最大值。则，问题转换为求L(w)的最大值。
观察L（w）,发现是一堆数据相乘的操作，对于相乘的操作求其最大值是比较困难的。此时，将其转换为对数来求解：
又由于对数运算的性质：logA*B=logA+logB，此时该表达式可转换为如下：
此时，问题转换为让对数似然函数越大越好（对数似然函数越大==>似然函数越大）。分析以上展开后的logL(w)式子，可知
越小越好。
2）最小二乘法
由2）中可得，当前的求解对象已经转换为求
在该式中需要求解什么样的w使得J（w）最小。许多介绍线性回归的文章一上来就直接进入最小二乘法的使用，让人很摸不着头脑？？？这个公式是怎么推导出来的呢？？？本文给出了最小二乘法公式的推导过程。
对J（w）关于w求导如下：
以上矩阵求导和矩阵转秩的求导过程不清楚的可以参看我转载的另一篇文章http://blog.csdn.net/moyu123456789/article/details/78886064
至此，导数已经求出。J(w)取得最小值的地方一定是在其对w求偏导为0时的w处取得。
令
值得注意的是，上式中包含
以下是运行《机器学习实战》中线性回归的相关代码示例：
from numpy import *
import matplotlib.pyplot as plt
def loadDataSet(fileName):
numFeat = len(open(fileName).readline().split('\t'))-1
dataMat = [];
labelMat = [];
fr = open(fileName)
for line in fr.readlines():
lineArr = []
curLine = line.strip().split('\t')
for i in range(numFeat):
lineArr.append(float(curLine[i]))
dataMat.append(lineArr)
labelMat.append(float(curLine[-1]))
return dataMat, labelMat
def standRegres(xArr, yArr):
xMat = mat(xArr)
yMat = mat(yArr).T
xTx = xMat.T*xMat
if linalg.det(xTx) == 0.0: #判断行列式是否为0，此处就是判断是否可求逆
print("This matrix is singular, cannot do inverse")
return
ws = xTx.I*(xMat.T*yMat)
return ws
def main():
xArr, yArr = loadDataSet('ex0.txt')
print(xArr[0:2])
ws = standRegres(xArr, yArr)
print(ws)
xMat = mat(xArr)
yMat = mat(yArr)
yHat = xMat * ws
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(xMat[:,1].flatten().A[0], yMat.T[:, 0].flatten().A[0])
xCopy=xMat.copy()
xCopy.sort(0)
yHat=xCopy*ws
ax.plot(xCopy[:,1], yHat)
plt.show()
if __name__ == '__main__':
main()
运行结果如下：
前文的那张展示线性回归拟合样本点的图就来自于这个例子，在这个代码示例中，是直接将前边求出的w的公式代入进行计算的。
以上例子中的ex0.txt文件只要在网上查找《机器学习实战》这本书源码都能下到，位置在第8章中的源码包里。