前言：为什么要做这期博客呢，主要有两个意愿，一个是想买米10，希望各位帅哥美女支持一下，觉得不错就打赏下，另为一个是想将十大经典算法的推导以及思路清清楚楚的理下，希望这整期教程对大家有帮助，第一期咱们讲线性回归。这期不似之前的实践或者接的单子，主要是将之前北风网学到的东西做一个汇总，若有不对或者缺点，希望大家提出，大家一起进步。
1：什么是线性回归
用来构建一个算法模型(函数)来做属性(x)与标签之间的映射关系，在算法的学习过程中，试图寻找函数，使得参数之间的关系拟合性最好。
2：图解
图中的点为数据的分布，直线为一个映射函数，如何才能找到一个最好的函数？
将图中的d1+d2+d3+d4+d5+d6+d7累加在一起最小，是不是就是最好的函数？
所以我们构造出函数
最终要求是计算出 的值
，并选择最优的
值构成算法公式，我们就要用到似然函数
我们将原属数据进行变换，并且带入
这个式子表示当
一定时，x取值下y的概率密度为多少，咱们需要的是越大越好，所以考虑取最大值，但是这个只是一个变量，咱们需要将所有的变量加起来，组成联合概率，联合概率等于各个概率的乘积，所以得出方程为：
我们现在要求的是最大值，但是乘积的最大值很难求出，所以通过取对数，将乘法转化为加法
最后化简得到
我们要求的是最大值，之前的都是常量，所以我们将后的提取，得到
之后我们有三种办法将变量
求出，我这里主要用梯度下降的算法，进行求解，具体梯度下降我会在之后的系列中更新，梯度下降主要求偏导，我讲具体的过程列出
之后有BDG，SDG，MBDG求出每次更新的
到这算是大致的线性回归，其余的是优化过程，如果时间充裕，我将会一点一点出的，下面主要给大家一些代码，用这些代码可以快速的用sklearn库进行模型构建，具体可以看我
十大经典算法_家庭用电预测：线性回归算法(时间与功率&功率与电流之间的关系)（https://blog.csdn.net/qq_39309652/article/details/104349850）
from sklearn.linear_model import LinearRegression
## 模型训练
lr = LinearRegression()
lr.fit(X_train, Y_train) ## 训练模型
## 模型校验
y_predict = lr.predict(X_test) ## 预测结果
print("训练R2:",lr.score(X_train, Y_train))
print("测试R2:",lr.score(X_test, Y_test))
mse = np.average((y_predict-Y_test)**2)
rmse = np.sqrt(mse)
print("rmse:",rmse)