昨天介紹了如何產生 CDF，藉由 CDF 函式我們可以找出 Key 近似的位置，那接著我們就可以建置 Model 進行初步的測試嚕 ~

Model 的種類很多種，今天先來介紹簡單且大家蠻常用的 簡單線性回歸(Simple Linear Regression)。

Simple Linear Regression

為了要尋找兩種資料的關係，建立一線性函式表示他們的關係。

資料 X 我們稱為 自變量，資料 Y 稱為 因變量，找出 X, Y 的線性關係，也就是找出他們的線性函式，在這裡我們稱為 F，尋找出函式的 a, b 就是 斜率 與 偏移量。

線性函式

Simple Linear Regression 的自變量只有一個，如果自變量為多個 X1, X2, X3 ..Xn，則稱為 Multiple Linear Regression。

附上不錯的文章

Reference

https://medium.com/@gatorsquare/ml-simple-linear-regression-%E7%B0%A1%E5%96%AE%E7%B7%9A%E6%80%A7%E8%BF%B4%E6%AD%B8-59c627734668

找出資料關係的線性函式，可以使用以下兩種方法 : Least Square Method、Gradient Descent

Least Square Method

最小平方法，快速地求得數據的線性函式，可以讓函式求得的資料與實際資料間 誤差的平方合最小。

Gradient Descent

梯度下降法，一種最佳化演算法，尋找一個函數(誤差函式)的局部最小值。

維百都有詳細的解釋兩種演算法，以下這篇文章對於Gradient Descent也有詳細的介紹，講得非常好、非常清楚餒 !! 大家可以參考看看~

Reference

https://medium.com/@chih.sheng.huang821/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-%E5%9F%BA%E7%A4%8E%E6%95%B8%E5%AD%B8-%E4%B8%89-%E6%A2%AF%E5%BA%A6%E6%9C%80%E4%BD%B3%E8%A7%A3%E7%9B%B8%E9%97%9C%E7%AE%97%E6%B3%95-gradient-descent-optimization-algorithms-b61ed1478bd7

今天先到這邊，明天會實作 Simple Linear Regression，並進行測試 !

先降~~~掰噗 ! !