1. 基本形式

线性模型的优点：，

• 形式简单，易于建模。
• 蕴含着机器学习中一些重要思想。许多功能更为强大的非线性模型，可在线性模型的基础上通过引入层级结构或高维映射得到。
• 良好的可解释性：w直观地表达了各属性在预测中的重要性，使得其具有很好的解释性。权重越大，代表该属性的重要程度越高。

2. 线性回归

linear regression，LR。

当输出值为实数取值时，LR试图学习一个线性模型，尽可能准确的预测实值输出值。

对离散属性，若属性值存在“序”的关系，可通过连续化将其转化为连续值。如高度的高、中、低可转化为{1.0, 0.5, 0.0}。

若属性值不存在序关系，连续化会不恰当，对后续距离计算造成误导。如瓜类的取值有黄瓜，南瓜，西瓜，就不可连续化。此时可通过one-hot编码：转化为（0,0,1）（0,1,0）（1,0,0）。

学习策略：极小化模型预测输出和真实值之间的差距。回归任务最常用的是均方误差/平方损失。

均方误差的几何意义：对应了常用的欧氏距离。最小化均方误差，试图找到一条直线，让所有样本到直线上的欧氏距离之和最小。

基于均方误差最小化来进行模型求解的方法：最小二乘法（least square method）。

求解过程，称为线性回归模型的最小二乘参数估计。当x只有1维时（w自然只有一维），对w和b求导，得到：

令偏导为0则得到最优解的闭式解/解析解：

当x由d个属性描述时，试图学得：

此时称为多元线性回归。

有：

对其求导有：

当XTX为满秩矩阵或正定矩阵时，令上式为0则有：

现实任务中XTX往往不是满秩矩阵，可能解出多个解。选择哪个解，由学习算法的归纳偏好决定。常见的做法是引入正则化。

线性模型虽然简单，但变化丰富。

可否令模型预测值逼近y的衍生物呢？比如可将输出标记的对数作为线性模型逼近的目标。

此即为对数线性回归（log-linear regression）。实际上是用 逼近y。

形式上仍是线性模型，但实际上在求取输入空间到输出空间的非线性映射。对数函数的作用：将线性模型的预测值与真实标记联系起来。

更一般的，考虑单调可微函数g(·)：

这就是广义线性模型。g(·)为联系函数。实际上先求出线性模型的值，再通过联系函数映射到非线性。