简单说回归 | ML#Day14

wiki 说明页：回归分析

想了解详细的说明，请见wiki或者其他参考资料。

或者也可以直接看下面，自己对关於回归的简单概念说明。

回归分析的本身来自统计学，统计学又是来自数学的延伸，所以模型运算其实背後就是做一堆数学运算，这一点也不违和，反倒是非常自然。

到这里，其实我们也可以理解成作ML训练模型，就是利用程序的方式辅助做一堆数学运算，得到一个数学运算後的结果/函式。

既然是这样，那用手算人脑算可不可行？其实以简单的回归模型来说，还真的可以。

不过就像用计算机做加减乘除，和手算加减乘除一样，基本上用手算会非常辛苦。

做回归分析的话，最简单入门的做法就是一次方程序，例如说：

范例1

y = ax + b1

范例2

y = aX1 + bX2 + cX3 + dX4 ......

y = 我们想要的结果 = `应变数` = 受自变数影响而变化的值

x ,X1, X2, X3, X4 = 参数/特徵值 = `自变数`

a,b,c,d = `系数` = 每个参数的权重(影响力)

b1 = `截距` = 数值的起点 

截距，这个名词不用太陌生，譬如说一般成年男性可能从158公分开始往上加(借用服兵役的入伍标准)，那资料范围大概就在158~200之类的，而不是从0开始，158就是基本值的概念。

假设在我们商品最低消费的单位是10元，那麽如果过去一个小时内我们有100张订单，我们也可以预期订单总金额至少在1000元以上对吧？

如果我们训练的回归模型，如了参数(自变数)可以自行决定以外，那些系数(权重)要怎麽给出一个数值呢？

所谓的训练，简单的可以理解，就是为了找出这些系数，更进阶的一点，可以说是为了确定这些参数是不适用，或者使用的函式本身(上面的例子就是一元方程序)能不能适用，亦或者需要换成别种方程序。