1、情景描述

假设，我们现在有这么一张图：

其中，横坐标x表示房子的面积，纵坐标y表示房价。我们猜想x与y之间存在线性关系：$$y=kx+b$$

现在，思考一个问题：如何找到一条直线，使得这条直线尽可能地拟合图中的所有数据点？

这个找最佳拟合直线的过程称为做线性回归

简而言之，线性回归就是在N维空间中找一个类似直线方程y=kx+b一样的函数来拟合数据

线性回归模型则是利用线性函数对一个或多个自变量（x）和因变量（y）之间的关系进行拟合的模型

这里有一个问题，线性等于直线吗？

线性函数的定义是零阶或一阶多项式。特征是二维时，线性模型在二维空间构成一条直线；特征是三维时，线性模型在三维空间中构成一个平面；以此类推，具体见下文线性回归的定义及推导

还有一个问题，那就是如何评判找的哪条直线才是最优的？详见文章最小二乘法：传送门

2、线性回归

1）线性回归的定义及推导

定义：对于一个有n个特征的样本而言，它的线性回归方程如下：

$$y=f(x_1,x_2,...,x_{n-1})={\omega }_0+w_1{x}_1+w_2{x}_2+...+w_{n-1}{x}_{n-1}$$

其中，$w_0$~$w_{n-1}$统称为模型的参数，表示样本有n个特征，有时也用$\theta$或$\beta$表示

$w_0$称为截距，$w_1$~$w_{n-1}$称为回归系数（Regression Coefficients），$x_1$~$x_{n-1}$为样本的输入向量，y为样本的输出向量；$x_0$始终等于1

根据简单场景推导n个特征的样本线性回归方程过程如下：

假设我们有2个样本：($x_1$=1，$y_1$=1)、($x_2$=2，$y_2$=3)，我们猜测其关系符合：
$$y=kx+b$$

将样本代入函数：
$$\{\begin{array}{l}k\ast 1+b=1\\ k\ast 2+b=3\end{array}$$
按照从$x_0$~$x_{n-1}$的顺序排列：
$$\{\begin{array}{l}b\ast 1+k\ast 1=1\\ b\ast 1+k\ast 2=3\end{array}$$
对应到2个特征的线性回归方程模板：
$$\{\begin{array}{l}b\ast x_{01}+k\ast x_{11}=y_1\\ b\ast x_{02}+k\ast x_{12}=y_2\end{array}$$
将方程转换为矩阵：
$$\left[\begin{array}{cc}1& 1\\ 1& 2\end{array}\right]\left[\begin{array}{c}b\\ k\end{array}\right]=\left[\begin{array}{c}1\\ 3\end{array}\right]$$

其中，$x_0$始终为1。再次对应到2个特征的线性回归方程模板：
$$\left[\begin{array}{cc}1& x_{11}\\ 1& x_{12}\end{array}\right]\left[\begin{array}{c}b\\ k\end{array}\right]=\left[\begin{array}{c}{y}_1\\ y_2\end{array}\right]$$
根据上述过程，推广到一般场景：
$$\left[\begin{array}{ccccc}1& x_{11}& x_{21}& \cdots & x_{n-1,1}\\ 1& x_{12}& x_{22}& \cdots & x_{n-1,2}\\ ⋮& ⋮& ⋮& \ddots & ⋮\\ 1& x_{1m}& x_{2m}& \cdots & x_{n-1,m}\end{array}\right]\left[\begin{array}{c}{\omega }_0\\ {\omega }_1\\ ⋮\\ {\omega }_{m-1}\end{array}\right]=\left[\begin{array}{c}{y}_1\\ y_2\\ ⋮\\ y_m\end{array}\right]$$
简化：
$$X\omega =y$$
其中，y为m $\times$ 1的矩阵向量，表示模型的理论输出；X为m $\times$ n的矩阵向量，表示模型的样本输入，m表示样本数，n表示样本的特征数；$\omega$为n $\times$ 1的矩阵向量，表示模型有n个特征

2）线性回归的解

线性回归的解析解$\omega$推导：

假设Y是样本的输出矩阵向量，维度为m $\times$ 1，则根据勒让德最小二乘准则有：
$$J(\omega )=||y-Y|{|}^2=||X\omega -Y|{|}^2=(X\omega -Y{)}^T(X\omega -Y)$$
根据数学知识，函数导数为0处取极值：
$$\frac{\partial }{\partial \omega }J(\omega )=2X^{T}X\omega -2X^{T}Y=0$$
解得：
$$\omega =(X^{T}X{)}^{-1}{X}^{T}Y$$

3）线性回归解的几何意义

线性回归的解是通过最小二乘法求解的。其几何意义是：求解$Y$在$X$的列向量空间中的投影

几何意义的推导后续视情况补充