题外话
我很早就对人工智能是非常感兴趣的。记得我大学的毕业论文，就是使用遗传算法解决了一个经典的寻路问题。 我一直对人类经典的思想是非常敬畏和崇拜的，比如传统的计算机数据结构算法问题，例如经典的排序算法或者动态规划思想，把一些看似复杂的问题竟然用短短十几行甚至一个 for 循环就能解决，这令我感受到了一种美学，也同时对人类的伟大思想而赞叹。
但传统的计算机算法其实还是通过，人来编写代码，人来通过完整的、解决问题的思路来解决问题。但如果机器能有自己的思想，如果它自己就能“学习”到解决问题的方法，岂不是非常 cool 的一件事。
但以我目前的认知来看，现在的人工智能是更像是一种工具，一种“数学工具”，一种“统计学工具”，它是从大量数据里总结出了一种“规律”，用来解决实际问题。它离电脑真正有思想还相距甚远，甚至以目前来看，二者可能并不是一回事。可能让机器具有思维，还需要在其他学科上进行突破比如人的认知机制，脑科学进行突破。哈哈扯远了。
先来介绍自己的一些简单认识。
线性
- 什么是线性？
有一类几何对象，比如直线、平面、立方体，看上去都是有棱有角的，都是“直”的，在数学中称为线性
要处理它们相关的问题就非常简单。比如在高中就学过，两根直线可以用两个线性方程来表示，想求它们交点的话：
联立出两者的方程组，求出该方程组的解就可以得到交点
- 为什么要研究线性
（1）我们所处的世界、宇宙太复杂了，很多现象都无法理解，更谈不上用数学去描述；
（2）有一些符合特定条件的复杂问题，可以转化为简单的线性问题。线性问题就可以完全被理解，完全可以被数学所描述
回归
以我目前的认知来看，机器学习主要的任务有两类。 第一就是分类任务，比如
- 判断一张图片里的是猫还是狗 （二分类，因为我定义目标结论有两种，即猫或者狗）
- 判断一个股票明天是涨还是跌
- 判断一个图片中的数字是几（多分类。因为我定义目标结论有 10 种，0 到 9）
也就是说，分类的结果是，人为预先定义的结果范围里的一种
而第二类任务就是回归任务，而它得出的结果是一个连续数字的值，而非类别。 例如
- 预测房屋价格
- 预测股票价格
什么是机器学习
这是我目前的浅显理解。机器学习目前我觉得是一种数学工具。通过喂给机器大量的学习资料，然后机器运行一个机器学习算法，训练出了一个模型。然后再向机器丢入问题，机器通过这个模型运算得出结果。
线性回归的初步感性理解
比如我收集到了有 x, y 的两组数据（比如年龄和身高），我想要知道这两组变量是否有线性关系。那么我先以一个变量为 x 轴，另一个变量为 y 轴画出这样一副散点图。
那么我就可以找出这样的一条直线。这条直线的特征是：尽可能的离所有离散点最近，也可以表述成，每个离散点离直线距离的差值之和最小。 那么我就可以很好的根据我算出的这条直线，由已知的 x 值，来预测的未知的 y 值。 假如说 x, y 有线性关系的话，那么预测的效果还是很不错的。所以线性回归的主要任务是，找出这条直线。
单变量线性回归
我们先从单变量线性回归开始理解，即假设 x 只有一个特征（比如一氧化氮浓度），y 是房价。 根据前文提到的感性理解，我们的目标就是找到最佳的直线方程：
其实就是求参数 a 和 b 的过程。 那其实我们的目标就是，使得根据每一个 x 点,使得
最小。这个方程叫做损失函数。 你可能想问为什么是差的平方和最小？而不是差的绝对值和最小或者差的 3 或者 4 次方最小？ 差的平方和最小在数学中叫做最小二乘法，这里给出一个链接 www.zhihu.com/question/24…，这里不再细究。
所以一类机器学习算法的基本思路是： 通过确定问题的损失函数，然后最优化损失函数，来获得机器学习的模型。 怎么求得这个损失函数的最小值，即求 a 和 b 的值。则需要对 a 和 b 分别进行求导。导数为 0 的点则为极值点。 现在我们对 a 进行求导(复合函数的链式求导法则)：
化简一下：
根据同样的过程得出 a,化简过程省略：
然后 python 实现一下： 简单来说我需要定义两个方法。
- fit 拟合方法。或者我们常说的训练方法。通过将训练数据作为参数传入这个方法，得出模型的各个参数。
- predict 预测方法。将 x 值带入这个方法，得出预测值
这里需要注意一下：这里采用了向量化代替了循环去求 a。 我们看到，a 的分子分母实际上用循环也可以求， 但是实际上，a 的分子分母其实可以看成向量的点乘（即向量 a 里的每一个分量乘以向量 b 里的每一个分量）。 这样做有两个好处：
- 代码更清晰
- 向量是并行运算。（调用 GPU 流处理器进行并行运算）远快于 cpu 里进行循环
当把这个 a 和 b 的参数求出之后，我们就得出了一个模型（在这个例子中是 y=ax+b），然后我们就可以进行预测了，把 x 带入这个方程中，就可以得出预测后的这个 y 值。
多元线性回归
理解了单变量线性回归之后，我们就开始需要解决，当特征为多个的时候，怎么进行预测？ 也就是多元线性回归。 我们可以理解一下，多元线性回归实际要求的是这样的一个方程
即每一个特征前面都有一个常数系数，再加一个常数（截距）。 这里我们把这些系数整理成一个（列）向量
然后我们为了方便起见，设置一个 x0, x0 恒等于 1，那么我们最终就化简成了下面两个向量的点乘
然后把所有的 x 向量（样本）组合成一个矩阵，将 theta 整理成一个列向量。那么 y(向量)就是所有 x 向量的预测值。这里用到了矩阵和向量的乘法（哈哈忘了的话得复习一下线性代数）。
那么根据最小二乘法，我们的目标就是使得
最小。也就是要对整个矩阵进行求导，具体推导过程省略，这里给出最终 theta 的解：
也就是我们通过数学推导，直接求出了参数的数学解，然而一般而言，能够直接得出参数数学解的机器学习方法还是比较少的，有可能还需要借助其他方法比如梯度下降才能够求出参数。
多元线性回归的实现
接下来根据这个数学解进行实现。
简单线性回归实战（波士顿房价预测）
这个波士顿房价数据集是 sklearn(一个机器学习框架)自带的数据集
其实我看到这个数据集时也懵了，这个例子是带我们预测房价吗？预测明天深圳的房价？ 我觉得是可以这样理解，通过收集一些特征（学习资料）如下图和波士顿某些地区的平均房价（目标结论），来推测出你或者房地产商卖房子时应该怎么定价比较划算。或者说通过这个数据集来理解，哪个因素对于房价影响更大。
数据介绍
该数据集包含马萨诸塞州波士顿郊区的房屋信息数据，来自 UCI 机器学习知识库（数据集已下线），于 1978 年开始统计，包括 506 个样本，每个样本包括 12 个特征变量和该地区的平均房价。
字段含义
可以看到，研究者希望找出影响房价的重要因素，比如环境因素（一氧化氮浓度），位置因素（到波士顿 5 个中心区域的加权距离）等等（不过我相信影响中国房价因素要比这复杂的多）
经过求解得出了（或者说学习到了）各个参数的值，然后如果地产商想要定价的话，可以收集这些特征，然后使用模型的 predict 方法可以得出一个房价的参考值。
然后我们也可以看到，哪些因素对于房价是正相关的，哪些是负相关的。然后参数越大，越影响房价，这就是线性回归法对于结果的可解释性（有些机器学习方法是不支持的）。
