线性回归（$linear\  regression$）,目标就是用一个(n-1)维的东西，来拟合一些在(n)维图形上的点，并且使得点集与拟合函数间的误差最小。

如果自变量的个数只有一个，就称为一元线性回归；如果自变量的个数多于一个，就称为多元线性回归。

比如，我们想得到房屋的价格与房间个数、大小、状况等多种因素之间的关系时，将这些因素作为自变量，将房屋价格作为因变量，这就是多元线性回归。

其实，我们平常说的数据挖掘，就是拟合出来一个线性回归模型。

 举个栗子

给定一个大小为$n$ 的数据集

$$\{ y_{i},x_{i1},…,x_{ia}\}_{i=1}^{n}$$

$\text{其中}\ x_{i1},…x_{id}$是第$i$个样本的$d$个属性值，$y_{i}$ 是 是该样本待预测的目标。线性回归模型假设目标$y_{i}$ 可以被属性间的线性组合描述，即

$$y_{i}=\sum_{j=1}^{d}w_{j}x_{ij}+b,i=1,…,n$$

例如，我们现在要买一套房子，然后呢，我们统计了一下每个房源的大小，方向，作用点 ，位置，环境等信息，对于每个信息每个档次，打出一个分，最后根据各个因素的影响的大小决定每个因素所占有的权重，之后我们的估价就是这些权重*分值的和了。这样的话，我们就可以根据我们的估算去买房子了。

线性回归模型有形式简单和易于建模分析的优点，它在实际问题中得到了大量的应用。

线性回归模型

线性回归的一般模型为：

$$\widehat{y}=w_{0}+\sum_{i=1}^{n}w_{i}x_{i}$$

其中$\widehat{Y}$ 表示模型的预测结果，用来和真实值$Y$ 区分。模型要学习的参数（不严谨的说，就是每个因素所占有的权重）为 $w_{0},…,w_{n}$  即：$W$。

如果我们构造：
 $$\widehat{Y}=\widehat{y}$$

 $$X=[1,x_{1},…,,x_{n}]^{T}$$

 $$W=[w_{0},w_{1},…,w_{n}]^{T}$$

那么该模型可以写为矩阵形式：

 $$\widehat{Y}=W^{T}X$$

模型的评价标准

假设集合数据为 $D=(X_{1},Y_{1}),…,(X_{n},Y_{n})$ ，将集合的 $X$ 代入到模型中即可求得模型的预测值 $\widehat{Y}$。

我们需要给模型一个优化目标，使得学到的参数能够让预测值 $\widehat{Y}$ 。 尽可能地接近真实值$Y$。

这里我们引入损失函数Loss Function这个概念。

输入任意一个数据样本的目标值 $Y_{i}$  和模型给出的预测值 $\widehat{Y_{i}}$，损失函数输出一个非负的实值。这个实值通常用来反映模型误差的大小。

对于线性回归模型来讲，最常见的损失函数就是均方误差Mean  Squared  Error，MSE），它的形式是：

 $$J(W)=MSE=\frac{1}{n}\sum_{i=1}^{n}(\widehat{Y_{i}}-Y_{i})^{2}$$

即对于一个大小为 $n$ 的集合，$MSE$是$n$ 个数据预测结果误差平方的均值。

 模型的求解方法

对于小数量级样本以及矩阵满秩的特殊情况，线性回归模型是有解析解的。

将集合中的变量写成矩阵形式：令
 $$X=[X_{1},…,X_{n}]^{T},Y=[Y_{1},…,Y_{n}]^{T}$$

根据线性回归模型，可以得到预测值 $\widehat{Y}=XW$

那么损失函数可以表示为：

 $$J(W)=MSE=\frac{1}{n}\sum_{i=1}^{n}(\widehat{Y_{i}}-Y_{i})^{2}\frac{1}{n}(XW-Y)^{T}(XW-Y)$$

将损失函数$J$对变量$W$ 求导，并令其等于$0$可得:

 $$\frac{∂J(W)}{∂W}=\frac{1}{n}(XW-Y)^{T}X=0$$

 $$X^{T}XW=X^{T}Y$$

在$X^{T}X$的逆存在时可得

 $$W=(X^{T}X)^{-1}X^{T}Y$$