概念
簡單線性回歸建模背後的基本目標是從成對的 x值和 y值（即 x和 y測量值）組成的二維平面中找到最吻合的直線。一旦用 最小方差法找到這條直線，就可以執行各種統計測試，以確定這條直線與觀測到的 y值的偏離量吻合程度。
線性方程（ y = mx + b）有兩個引數必須根據所提供的 x和 y資料估算出來，它們是斜率（ m）和 y 軸截距（ b）。一旦估算出這兩個引數，就可以將觀測值輸入線性方程，並觀察方程所生成的 y**值。
要使用最小方差法估算出 m和 b引數，就要找到 m 和 b 的估計值，使它們對於所有的 x值得到的 y值的觀測值和**值最小。觀測值和**值之差稱為誤差（ y i- (mx i+ b) ），並且，如果對每個誤差值都求平方，然後求這些殘差的和，其結果是乙個被稱為 **平方差的數。使用最小方差法來確定最吻合的直線涉及尋找使**方差最小的 m和 b的估計值。
可以用兩種基本方法來找到滿足最小方差法的估計值 m和 b。第一種方法，可以使用數值搜尋過程設定不同的 m和 b值並對它們求值，最終決定產生最小方差的估計值。第二種方法是使用微積分找到用於估算 m和 b 的方程。我不打算深入討論推導出這些方程所涉及的微積分，但我確實在 ******linearregression 類中使用了這些分析方程，以找到 m和 b 的最小平方估計值（請參閱 ******linearregression 類中的 getslope() 和 getyintercept 方法）。
即使擁有了可以用來找到 m和 b的最小平方估計值的方程，也並不意味著只要將這些引數代入線性方程，其結果就是一條與資料良好吻合的直線。這個簡單線性回歸過程中的下一步是確定其餘的**方差是否可以接受。
TensorFlow 實現簡單線性回歸
import tensorflow as tf import numpy as np import random create data x data np.random.rand 100 astype np.float32 使用numpy生成100個隨機點 noise np.random.norm...
簡單線性回歸
真實值 y theta x varepsilon 值 hat theta x varepsilon 為誤差 項，服從 均值為0 方差為 為誤差項，服從均值為0，方差為 為誤差項，服 從均值為 0，方差 為 sigma 的高斯分布。已知若干樣本，可以得到若干 varepsilon 值，根 據極大似 然...
簡單線性回歸
資料預處理 data student data 1 刪除缺失值 lm data na.omit data 散點圖 plot height,weight,data data,main scatter plot col 1,pch col為顏色，pch為形狀 箱線圖 boxplot height wei...