TensorFlow构建机器学习项目

第3章　线性回归

本章中，我们将通过最小化误差和损失函数，用一条线来拟合给定的点，学习机器学习项目的一般流程。

在前面的章节中，我们已经看过几种不同的问题和许多不同的解决方法。它们有一个共同的特点，就是根据已有的带标签的数据，定性地给出新数据的标签。这种问题，在社科领域最常见。

另一类常见的问题需要给出一个方程（提前建模好了的）的确切的数值。比如在物理学领域，我们需要根据温度和湿度的历史数据，预测未来的温度和湿度，我们把这类要得到确切数值的问题称为回归分析（regression analysis）。

具体到线性回归，我们通过线性方程表示输入跟输出量之间的关系。

3.1　单变量线性模型方程

正如之前所说，线性回归，是寻找一条直线，使得所有的点到这条直线的距离总和最短。

这种关系用经典的线性方程可以表示如下：

模型方法有如下的形式：

这里，β₀也称作偏差（bias），是当x为0的时候，方程的值， β₁是建模的那条直线的斜率。变量x通常称作自变量，而y一般称作因变量。有时也分别称作回归量和响应量。

下面生成人工数据集。在本例中，我们会随机生成一个近似采样随机分布，使得β₁=2.0、β₀=0.2，并加入一个噪声，噪声的最大振幅为0.4。

In[]: #Indicate the matplotlib to show the graphics inline %matplotlib inline import matplotlib.pyplot as plt # import matplotlib ...