前言
上次只是籠統(tǒng)的概述了機器學習是什么以及能解決什么問題，這一篇就開始正式探討機器學習使用的算法了。
背景
假如我們有一組數(shù)據(jù)，它是關于房子的大小和最終成交價格的數(shù)據(jù)。我們最后要做到的就是通過讓機器對這些數(shù)據(jù)的‘學習’，最后能對新的房子也能正確預測出它大概的成交價格。
如何進行預測
現(xiàn)在假設x，y變量，x表示房子的面積，y表示房子的成交價格。那么每個房子的(x,y)就對應坐標軸上的一個點。例如房子面積是100，價格1000000。那么這個點就是(100,1000000)。把這些點都畫在坐標軸上就會得到如下的樣子
對于這么大堆密密麻麻的點，下一步該做什么呢，既然有x又有y，能不能找出x和y之間的關聯(lián)，換句話說就是找到個函數(shù)能盡可能多的擬合這些點，讓這些點盡可能多的落在我們的線上。這就是線性回歸（概率論大佬正在趕來QAQ)。
所以擬合后的樣子應該是這樣的
可以看到這條線已經(jīng)讓盡可能多的點落在了它身上。說到這里，如何進行預測是不是就變得顯而易見了。只要找到這樣一條直線，盡可能多的擬合了自己的數(shù)據(jù)，那么對于新來的x值，它在圖上的坐標就確定了，也就是y(房價)確定了(換句話說也就是找到y(tǒng)關于x的函數(shù)啦，就像y=10+x這樣)。那么我們的這個模型就可以比較正確預測房價了。想想還有點小激動呢~
對于這個模型需要注意什么
由上面的圖其實不難看出來，還是有部分的點偏離在我們的線外面的。但是我們畢竟不可能找到符合所有點的函數(shù)，只能少數(shù)服從多數(shù)，對于偏離的點，我們不需要在意他們(還可以用一些曲線來擬合，不過這里只用線性的)?；谶@個原因，模型成熟后，對于新房價的預測只是大概的，可以理解為它只是代表了一個趨勢，房子面積越大，它的價格就越高。只不過我們基于這個趨勢，可以給出大約的預測值。
結尾
對于這些枯燥的東西，并不想一口氣寫一堆，看到就讓人難受。所以這篇文章還并不算真正開始學習了它的算法。下面就會開始真正進入算法的細節(jié)，當模型處于初始狀態(tài)怎樣判斷它與我們的最終模型有多大差距呢，以及如何縮小這些差距，這都是需要解決的問題。當這兩個問題解決了，那么我們的模型就會逐漸變得成熟，預測房價，登上人生巔峰指日可待~
這些都是基于我最近自己學習整理的，希望加強自己的理解，也方便以后查看。希望大佬目睹過后給予指正。
