多元线性回归简单解释（第 1 部分）

在这篇博文中，我们讨论多元线性回归。

多元线性回归

这是我们机器学习之旅中首先学习的算法之一，因为它是简单线性回归的扩展。

我们知道，在简单线性回归中，我们有一个自变量和一个目标变量，而在多元线性回归中，我们有两个或多个自变量和一个目标变量。

在本博客中，我们不只是使用 Python 应用算法，而是探索多元线性回归算法背后的数学原理。

让我们探索一下多元线性回归算法背后的数学原理。

让我们考虑 Fish Market 数据集，以了解多元线性回归背后的数学原理。

鱼市场数据集

该数据集包含每条鱼的物理属性，例如：

Species – 鱼的类型（例如，鲷鱼、蟑螂、梭子鱼）Weight – 鱼的重量（以克为单位）（这将是我们的目标变量）Length1、Length2、Length3 – 各种长度测量值（以厘米为单位）Height – 鱼的高度（以厘米为单位）Width – 鱼身体的对角线宽度（以厘米为单位）

物种 – 鱼的类型（例如，鳊鱼、蟑螂、梭子鱼）

重量 – 鱼的重量（以克为单位）（这将是我们的目标变量）

Length1、Length2、Length3 – 各种长度测量值（以厘米为单位）

高度 – 鱼的高度（以厘米为单位）

宽度 – 鱼体的对角线宽度（以厘米为单位）

为了理解多元线性回归，我们将使用两个自变量来使其简单且易于可视化。

我们将考虑此数据集中的 20 点样本。

作者图片

我们考虑了 Fish Market 数据集中的 20 点样本，其中包括 20 条鱼的测量值，特别是它们的高度和宽度以及相应的重量。这三个值将帮助我们理解多元线性回归在实践中是如何工作的。

首先，让我们使用 Python 对 20 点样本数据拟合多元线性回归模型。

代码：

结果：

截距 (β₀): -1005.2810

高度斜率 (β₁)：78.1404

今天不行！

其中

y