机器学习算法之线性回归（二）
上一篇我们说线性回归无非就是通过这个损失函数
，做为评判标准来找出一条直线去拟合我们的数据,然后做出预测，今天我们就来说一说怎么去最小化这个损失函数，从而求得最佳得函数f(x).那我们先看看数学推导吧，嗯，可能需要大家去复习一下线性代数了。
首先，我们先考虑单组变量的情况：
，使得
我们呢，希望通过x预测的结果f(X)来估计y。其中w和b都是线性回归模型的参数。
所以呢,cost function就是：
接着呢，我们带入f(x)公式，得到：
这个值最小，那么我们就分别对ω,b求偏导，使其等于零，再求解方程就ok了。
求偏导后，得到下列两个式子：
因为ω，b,m都与i无关，所以可以提出来。得到
这好像只是一元的情况，我们推广到一般的情况，这样的话，同学们可能要复习一下线性代数了。
在多元的情况下，我们试图学得：
类似的，我们用最小二乘法来对ω，b进行估计，把ω，和b吸收进一个向量形式ω=（ω，b），把数据集D表示成一个m*（d+1）大小的矩阵X，其中每行对应一个示例，该行前d个元素对应示例中的d个属性，最后一个恒唯1，即：
再把样本标签也写成向量形式，y=（y1；y2;...;ym）,则有；
令上式为零，即可求得ω的最优解的闭式解：
则最终学得的多元线性回归模型为：
