一、线性回归简介
1. 核心定义
线性回归是一种通过属性的线性组合进行预测的线性模型，核心目标是找到一条直线（二维）、一个平面（三维）或更高维的超平面，使模型的预测值与真实值之间的误差最小化。
2. 适用场景
适用于回归任务（预测连续型输出，如房价、销售额、温度等），例如通过“房屋大小”预测“房屋价格”，通过“房间数量”“面积”等多特征预测“波士顿房价”。
3. 模型数学形式
（1）单特征线性回归（简单线性回归）
仅含1个输入特征（如房屋大小），模型形式为：
f(x) = w_0 + w_1x
x：输入特征（如房屋大小）；
w_0：截距（直线与y轴交点，也可写作b）；
w_1：特征权重（直线斜率，反映特征对预测结果的影响程度）；
f(x)：模型预测值（如预测房价）。
（2）多特征线性回归（多元线性回归）
含d个输入特征（如房间数、面积、楼层等），模型的一般形式为：
f(x) = w_1x_1 + w_2x_2 + ... + w_dx_d + b
x_1, x_2, ..., x_d：d个输入特征的取值；
w_1, w_2, ..., w_d：对应特征的权重；
b：截距；
向量形式（简化表达）：f(x) = \boldsymbol{w}^T\boldsymbol{x} + b（\boldsymbol{w}为权重向量，\boldsymbol{x}为特征向量，\boldsymbol{w}^T表示\boldsymbol{w}的转置）。
二、模型求解：最小二乘法
1. 核心思想
线性回归通过最小二乘法求解最优参数（w和b），其本质是最小化“均方误差”——均方误差对应“欧氏距离”，即找到一条直线/超平面，使所有样本到该直线/超平面的欧氏距离之和最小。
2. 误差函数（损失函数）
需最小化的误差函数（均方误差对应的总损失）为：
E(w,b) = \sum_{i=1}^{m} (y_i - f(x_i))^2 = \sum_{i=1}^{m} (y_i - (wx_i + b))^2
m：样本数量；
y_i：第i个样本的真实值；
f(x_i) = wx_i + b：第i个样本的预测值；
E(w,b)：所有样本的“残差平方和”（预测值与真实值差值的平方和）。
3. 参数求解过程
求解w和b的过程称为“参数估计”，步骤如下：
1. 求导：对E(w,b)分别关于w和b求偏导数，得到误差随参数变化的趋势；
2. 令导数为0：偏导数为0时，误差函数E(w,b)取得最小值，据此解出最优参数：
最优权重w：w = \frac{\sum_{i=1}^{m} (x_i - \bar{x})(y_i - \bar{y})}{\sum_{i=1}^{m} (x_i - \bar{x})^2}（\bar{x}为特征x的均值，\bar{y}为真实值y的均值）；
最优截距b：b = \bar{y} - w\bar{x}。
三、线性回归的评估指标
1. 残差平方和（SSE/RSS）
定义：所有样本预测值与真实值差值的平方和，反映模型预测的总误差。
公式：SSE = \sum_{i=1}^{m} (y_i - \hat{y}_i)^2（\hat{y}_i为第i个样本的预测值）；
特点：值越小，模型拟合效果越好；但受样本数量影响（样本越多，SSE可能越大），无法直接横向对比不同数据集的模型。
2. 均方误差（MSE）
定义：SSE的平均值，消除了样本数量的影响，更适合对比不同模型。
公式：MSE = \frac{1}{m} \sum_{i=1}^{m} (y_i - \hat{y}_i)^2；
特点：值越小，模型拟合效果越好；单位是“真实值单位的平方”（如房价预测中，单位为“元²”），不够直观。
3. 决定系数（R^2）
定义：衡量模型对数据的解释能力，反映“模型能解释的变异占总变异的比例”，是最常用的评估指标。
公式：
R^2 = 1 - \frac{SSE}{SST} = 1 - \frac{\sum_{i=1}^{m} (y_i - \hat{y}_i)^2}{\sum_{i=1}^{m} (y_i - \bar{y})^2}
SST：总平方和（真实值与真实值均值的差值平方和，反映数据本身的总变异）；
简化形式：R^2 = 1 - \frac{MSE}{Var(y)}（Var(y)为真实值y的方差）。
特点：
取值范围：(-\infty, 1]；
越接近1：模型拟合效果越好（模型能解释大部分数据变异）；
等于1：模型完全拟合所有样本；
小于0：模型效果差于“直接用真实值均值预测”（此时模型无意义）。
四、线性回归代码实现（Python sklearn）
1. 核心类
sklearn.linear_model.LinearRegression()：用于构建线性回归模型（支持单特征和多特征）。
2. 关键参数
参数 含义与取值
fit_intercept 是否计算模型截距（）：- True（默认）：模型包含截距；- False：模型不包含截距（直线过原点），需确保数据已中心化。
normalize 是否在训练前对数据进行归一化：- False（默认）：不归一化；- True：对特征进行归一化（均值为0、标准差为1），仅当fit_intercept=True时生效。
3. 课堂练习：波士顿房价预测
核心步骤（示例思路）：
1. 加载数据：导入波士顿房价数据集（或类似房价数据集，含特征如房间数、距离市中心距离等，目标为房价）；
2. 数据预处理：处理缺失值、标准化特征（可选，若特征量纲差异大）；
3. 划分数据集：将数据分为训练集（用于训练模型）和测试集（用于评估模型）；
4. 训练模型：用LinearRegression()拟合训练数据；
5. 模型评估：计算测试集的MSE、R^2等指标，判断模型效果。
示例代码框架：
from sklearn import linear_model
from sklearn.datasets import load_boston # 加载波士顿房价数据集（注意：部分版本需手动安装）
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score
1. 加载数据
boston = load_boston()
X = boston.data # 特征（如房间数、面积等）
y = boston.target # 目标（房价）
2. 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
3. 初始化并训练模型
model = linear_model.LinearRegression(fit_intercept=True, normalize=False)
model.fit(X_train, y_train)
4. 预测与评估
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred) # 计算MSE
r2 = r2_score(y_test, y_pred) # 计算R²
print(f"均方误差（MSE）：{mse:.2f}")
print(f"决定系数（R²）：{r2:.2f}")
print(f"模型截距（b）：{model.intercept_:.2f}")
print(f"特征权重（w）：{model.coef_}")
