摘要：在数据领域初学时，大家常听到的一个建议是：不要试图把整个机器学习都学透——因为它实在太庞大且变化太快，根本不现实；

大数据文摘编译

在数据领域初学时，大家常听到的一个建议是：不要试图把整个机器学习都学透——因为它实在太庞大且变化太快，根本不现实；

而更应该聚焦在少数几个与数据工作日常紧密相关的模型，比如决策树、支持向量机，当然，还有线性回归。

线性回归本身就是一个非常实用的模型，更有意思的是，许多其他机器学习模型其实都是在它的基础上稍作改动而来。

本文的目的，就是想让大家看到这一点。接下来，我们会先简要回顾一下线性回归的基本原理，然后再介绍它的几种常见变体。

线性回归属于监督学习，也就是说我们有一个明确的输出变量（即目标变量），我们假定它是输入特征的线性函数。通常我们会用下面这样的公式来表示：

这里，y 是目标变量，x 是包含所有输入特征的向量，ε 代表“噪声”，也就是那些让我们的数据点无法完全落在直线上的误差。

我们进一步假设这些噪声服从均值为0、方差恒定的正态分布，也就是说，无论特征值大小如何，数据点距离直线的远近都是类似的。

换句话说，理想中的线性回归散点图大致是这样的：

而不是这样的：

在线性回归中，我们假设目标变量是特征的线性函数。

但在实际问题中，目标往往和特征之间关系更为复杂。刚意识到这一点时，很多人可能会觉得棘手，仿佛我们需要去找到某个函数 f，使得 y = f(x) + 噪声。

不过，如果仔细想想线性回归的原理，就会发现现实世界很多规律其实都是连续的，这类函数往往可以用多项式很好地逼近（感兴趣的同学可以去查查 Weierstrass 逼近定理或 Stone-Weierstrass 定理）。

线性函数其实只是一次多项式而已，所以多项式回归可以看作是一种自然的推广。模型形式大致如下：

如果你在初步分析数据时，发现目标与输入的关系是弯曲的、非线性的，那么多项式回归或许值得一试。比如下图：

多项式回归改变的是等式右侧的函数形式，那左侧呢？如果不是目标变量本身，而是它的某个函数和输入的线性组合有关呢？也就是说，模型变成了：

这就是广义线性回归（Generalized Linear Regression，GLM）。

当 f(y) = y 时，就是我们前面讨论的普通线性回归，所以广义线性回归是它的直接扩展。

那 f 可以取什么形式呢？这取决于具体建模任务，但有几个常见的特例：

如果怀疑目标变量服从泊松分布，自然可以取 f(y) = ln(y)，这就是泊松回归。

还有更常见的分类问题。虽然线性回归及其变体主要用于回归任务（顾名思义），但数据人第一次接触分类任务时，往往学到的第一个模型就是逻辑回归。其实，逻辑回归正是广义线性回归在 logit 函数（f(y) = ln(y/(1-y))) 下的特例。

这里不打算展开贝叶斯统计的基础知识，相关资料很多，有兴趣的同学可以自行查阅。

简单来说，就是当我们的数据很少、信息有限时，可以借助专家意见（先验知识）来辅助建模，获得对问题更全面的认识。在线性回归的情境下，如果数据点很少，直接拟合参数往往不靠谱，因为信息量不足。

但如果我们不追求唯一的“最佳拟合直线”，而是希望得到一条“高度可能包含真实直线”的区域，那么贝叶斯线性回归正好可以满足这样的需求。

数学细节可能会比较复杂，但核心思想就是：与其给出一条确定的直线，不如给出一个可能包含直线的区域。数据点越多，这个区域就越窄，我们对直线的位置也越有信心。如下图所示：

回到开头给初学者的建议，虽然深度学习和神经网络现在非常火爆，相关研究也是机器学习领域的前沿，但其实本质上，神经网络也就是大量“重型并行版的线性回归”再加上“激活函数”而已。

简单来说，神经网络由许多“神经元”（也叫感知机）组成，分布在不同的层中。每个神经元本质上就是一个线性回归，加上一个激活函数，用来判断输入是否足够让神经元“激活”。神经网络的训练过程，其实就是在不断调整这些线性回归的系数。

归根结底，神经网络就是大量的线性回归！不同的网络结构，核心区别无非是神经元（线性回归单元）数量和层数的不同。最复杂的深度网络，神经元可以多达上百万，层数也很多。

激活函数的选择也有多种（Heaviside、ReLU、Sigmoid 等都很常见），有的网络还会在不同层用不同的激活函数。

但本质区别也就这些。无论是 CNN、自动编码器、Transformer 等等，归根结底，都是由大量小小的线性回归单元组成的。

所以，线性回归或许看起来有些平淡无奇，但它其实是许多机器学习模型的基础。上面这些讨论远远不是全部内容，但希望能让你意识到线性回归的重要性。千万不要小看线性回归！

原文链接：

GPU算力按需租用

A100/H100 GPU算力按需租用，

秒级计费，平均节省开支30%以上！

来源：大数据文摘一点号