今天我們來講講線性回歸和神經網路的關係。
首先說結論，線性回歸其實也是個神經網路，其實不光是線性回歸，多項式回歸，邏輯回歸等等也都可以看成是乙個神經網路。
考慮到大家可能對線性回歸或者神經網路的概念有那麼點疑惑，這裡簡單的講講什麼是線性回歸和神經網路。
如圖所示，我們可以很輕易的看出來，y軸上的變數正隨著x的變大而變大，這似乎是乙個趨勢，但是我們需要如何去描述這個趨勢呢？
我們不僅希望我們能夠描述出這個趨勢，還希望能夠根據這個趨勢做出相應的**。
比如x = 100的時候，相應的y是多少呢？
這個時候線性回歸就非常的重要了。我們觀察到，這些資料點似乎是線性增長的，即y隨著x的增大而增大，我們似乎是能夠用一條直線來表示它。
比如這樣：
當然還可以是這樣：
其實吧，照這樣搞下去，可以畫成任何樣子，只要是個直線就行。
但是，人們希望，這條直線能夠最好的表現整個資料的趨勢，也就是說人們希望，**點的距離和樣本點的距離盡可能的小。如下圖所示。
於是乎人們就有了乙個想法，既然我們希望**點和樣本點的誤差（即距離）盡可能小，那答案豈不是呼之欲出。答案就是將每個**點和樣本點的距離相減，然後將他們加起來，然後我們想辦法改變其中的引數，使得它們的和達到乙個最小值不就行了嗎？最終，人們採取的做法就是如下公式。（這個公式叫做均方誤差，我們也經常稱其為損失函式，你可能還見過這個公式的其他寫法，其實他們都大同小異）
這裡的y_pred，其實就是我們**出來的值，也就是我們畫的直線上的點。我們在初中就學過了，一條直線可以用乙個函式表示即y = a*x + b。其中x就是我們x軸上的x，a和b就是我們需要調整的引數，我們不斷的調整a和b引數的值，我們就能改變均方誤差的大小，我們的目的就是使均方誤差達到最小化。至於怎麼調整引數使得均方誤差達到最小，那就有點複雜了，我們就不展開了，就稍微提一下，數學家喜歡採用最小二乘法來求解最優引數，而實際應用中，我們多採用一種叫梯度下降的方法來優化引數，使其達到最小值。
接下來我們來聊聊什麼是神經網路。
神經網路，顧名思義，是受了生物學的啟發。（注意，只是受到了啟發，實際上我們現在說的人工神經網路和真實生物神經網路差異巨大）
簡單說一下就是，生物神經元用電傳遞訊號，樹突部分接收訊號，神經元的細胞體處理訊號，然後訊號再由軸突，軸突末梢傳遞到下乙個神經元。
這種模式完全可以抽象成乙個三層模型。
第一層是輸入層，第二層是處理層，第三層是輸出層。
簡單說來就是幹這麼幾件事，輸入資料，處理資料，輸出資料。
然後我們的人工神經元就誕生了。
如圖所示，這個圖是乙個簡單的人工神經元，但是，它完全可以做到任何線性回歸能做到的事情。
這個神經元的工作流程是這樣的，首先，輸入x和1，在傳輸的線路上，它們被賦予了不同的權重也就是a*x和b*1，這相當於，生物訊號傳遞過程中訊號有大有小。
經過不同通道上權重的過濾，它們到達了細胞體內，細胞體內對它們的暫時處理是相加，也就變成了，a*x + b*1，然後輸出。
於是輸出變成了y = a * x + b，如果我們對其求均方誤差，很明顯這和我們之前說的線性回歸是一模一樣的。
同理，我們可以增加輸入訊號（當然也可以加輸出訊號），使得整個神經元更加複雜，這樣神經元的表示能力就更加強了。如果你學過多元線性回歸，多項式回歸等等，你會發現，這些都可以用乙個人工神經元來表示，道理和剛才講的一元線性回歸是一樣的。
實際上我們通常將神經網路的輸入和權重分別用乙個矩陣來表示，使用矩陣也就是向量化，在計算機中計算的時候就能平行計算，計算速度會比序列計算速度高很多，例如一元線性回歸的輸入矩陣可以表示為：
權重矩陣可以表示為：
在計算的時候，兩者做個矩陣乘法就完成了。
乙個神經元就已經能有如此強大的威力，多個神經元，多層神經網路就更加厲害了。
希望大家理解了題目，為什麼線性回歸也是神經網路。
如何畫神經網路 為什麼線性回歸也是神經網路
今天我們來講講線性回歸和神經網路的關係。首先說結論，線性回歸其實也是個神經網路，其實不光是線性回歸，多項式回歸，邏輯回歸等等也都可以看成是乙個神經網路。考慮到大家可能對線性回歸或者神經網路的概念有那麼點疑惑，這裡簡單的講講什麼是線性回歸和神經網路。如圖所示，我們可以很輕易的看出來，y軸上的變數正隨著...
神經網路多元線性回歸
jupyter notebook import pandas as pd import numpy as np import tensorflow as tf import matplotlib.pyplot as plt matplotlib inline 資料 讀取資料 data pd.read...
1 2神經網路實現線性回歸
w tf.variable tf.random uniform 1 1.0,1.0 name w 隨機初始化權重引數 1到1之間 b tf.variable tf.zeros 1 name b 以0為初始化，1 表示維度 y w x data b 目標函式 loss tf.reduce mean t...