线性回归【实例：波士顿房价预测】
开门算法，线性回归
线性回归是机器学习中最基础的算法，它研究的是样本目标和特征变量之间是否存在线性关系。
现在我们有506条有关波士顿房子的综合数据，包括房子的价格、房子所在区的犯罪率、黑人比例、高速公路条数等。每条数据就是一个样本，房价就是目标变量，其他数据可看作特征变量。
线性回归的步骤：
1，建立模型：确定目标和特征变量，建立方程
其中Y代表目标(因变量)，X为特征(自变量)，W为需要计算的参数。
数学符号便利性：将Y=W*X+b中的b去掉，X中增加一个值为1的特征变量
2，求解模型：正规方程法或者最小梯度法求解目标函数
的最小值。
3，模型评估：计算决定系数。其计算公式为：
线性回归问题详细推导：
下面给出求解上述式子最小值的2种推导方法：正规方程和梯度下降。
实例：波士顿房价预测
下面给出线性回归模型，预测值和真实值的对比图，其中模型的决定系数位0.7576，说明线性关系可以解释房价的75.76%。
点击阅读原文，获得实例源码