1.27学习进度总结

第二讲：回归

　　numpy求矩阵的逆的函数

　　numpy.linalg模块包含线性代数的函数，可计算矩阵，求特征值，解线性方程组以及求解行列式等。

　　行列式：np.linalg.det(A)

　　计算逆矩阵：np.linalg.inv(A)

import numpy as np#格式化numpy输出
np.set _printoptions (formatter-{ "float': '{: 0.2f} ".format))
A=np.array ([[4,5,1],[ 0,8,3]. [ 9,4,7]])
print("行列式:”+str(np.linalg.det (A)))
B= np. linalg.inv() #求逆
print ( "A的逆矩阵为B:”)
print(A_inv)
print ( "BA: ")#结果验证print (B.dot(A))
print ( "AB: ")print(A.dot(B))

什么是回归？

　　回归( Regression)这一概念最早由英国生物统计学家高尔顿和他的学生皮尔逊在研究父母亲和子女的身高遗传特性时提出“子女的身高趋向于高于父母的身高的平均值，但一般不会超过父母的身高。--《遗传的身高向平均数方向的回归》回归如今指的用一个或多个自变量来预测因变量的数学方法。在机器学习中，回归指的是一类预测变量为连续值的有监督学习方法

　　在回归模型中，需要预测的变量叫做因变量，用来解释因变量变化的变量叫做自变量。

　　一元线性回归：

　　　　模型为y=w1x+w0，w1，w0为回归系数

　　　　给定训练集D，我们的目标是找到一条直线y=w1x+w0使得所有样本尽可能落在它的附近