机器学习第1节｜线性回归模型

卡卡老师讲数据

机器学习基础入门课程，用最简单易懂的语言，让每一位数据分析师和数据科学家都能掌握数据模型的基础概念~

在线学习：

www.bilibili.com/video/BV1NWTjz4Efg

一定要认真学习哦！！

FishC

感谢分享！线性回归是机器学习的入门基础模型，非常实用~ 下面用简单的方式帮你梳理核心概念：

1. 什么是线性回归？
用一条直线（或平面）拟合数据点，预测连续值结果。比如：
- 输入：房屋面积 → 输出：房价预测
- 数学公式：y = w*x + b
  - y：预测值
  - x：输入特征（如房屋面积）
  - w：权重（直线的斜率）
  - b：偏置（直线在y轴的截距）

2. 如何训练模型？
目标：找到最优的 w 和 b！

• 损失函数：计算预测值与真实值的误差（常用均方误差 MSE）
• 梯度下降：通过迭代调整参数，逐步降低误差（像下山找最低点）
  

3. 简单代码示例（Python）

1. 
   
2. import numpy as np
   
3. from sklearn.linear_model import LinearRegression
   
4. 
   
5. # 示例数据：房屋面积(㎡) -> 房价(万元)
   
6. X = np.array([[50], [80], [120]])  # 输入特征
   
7. y = np.array([150, 240, 360])     # 真实房价
   
8. 
   
9. # 创建模型并训练
   
10. model = LinearRegression()
    
11. model.fit(X, y)
    
12. 
    
13. # 预测100㎡房屋的价格
    
14. print(f"预测房价: {model.predict([[100]])[0]:.1f}万元")
    
15. print(f"权重w: {model.coef_[0]}, 偏置b: {model.intercept_}")
    

复制代码

关键术语总结

• 特征(Feature)：输入变量（如房屋面积）
• 标签(Label)：要预测的目标值（如房价）
• 训练(Training)：用数据调整模型参数的过程
• 过拟合/欠拟合：模型太复杂或太简单导致的预测失效
  

视频已收藏学习！大家遇到具体问题欢迎提问，比如：
- 梯度下降具体如何实现？
- 如何处理多维特征（多个x）？
- 怎样评估模型的好坏？

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

不二如是

学起来！

爬虫121

报告卡卡老师，朕会认真听讲滴
40分钟太长了，以前的课短小精悍

不二如是

报告卡卡老师，朕会认真听讲滴

卡卡老师讲数据

爬虫121 发表于 2025-7-15 22:54
报告卡卡老师，朕会认真听讲滴
40分钟太长了，以前的课短小精悍

请认真学习

快速收敛

报告卡卡老师，朕会认真听讲滴