- 线性回归
线性回归(linear regression)是最简单的模型，通过学习一个线性模型来预测输出值。多元线性回归可表示为$$f(x_i)=w^Tx_i+b$$根据最小二乘法，寻找最优$$\hat{w}^*=argmin(y-W\hat{w})^T(y-X\hat{w})$$求导得到$$\hat{w}^*=(X^TX)^{-1}X^Ty$$在实际样例中，矩阵$X^TX$往往不是满秩矩阵，如样本特征数量大于样本数量，则必然不满秩，此时可以求解出多个使均方误差最小的$\hat{w}$，此时则需要引入正则化(regularization)项。
- 局部加权线性回归
对于用高阶多项式进行线性回归，若阶数过低，容易造成欠拟合(underfitting)；阶数过高，容易造成过拟合(overfitting)。因此可以引入加权项，即$$\hat{w}^*=argmin(y-X\hat{w})^TW(y-X\hat{w})$$其中$W$为权重矩阵，为对角矩阵，其对角线上元素$W_{ii}$为对应样本点$x_i$的权重值。
我们需要使距离所给定的$x$越近的样本点的权重越高。常用高斯核函数，其对应表达式为$$w_{ii}=exp(frac{|x_i-x|}{-2k^2})$$可以看出，当$k$过大，所有样本权重都近似为1，容易造成欠拟合；当$k$过小，距离过远的点无法参与到回归过程，容易造成过拟合现象。
局部加权线性回归缺点和KNN近似，即每次要计算一个点的预测值时，需要利用所有的已知数据样本进行计算，计算量很大。
- Reference
[1]《机器学习》,周志华
[2] http://python.jobbole.com/88747/
