房价只跟面积有关吗？一条直线能不能预测房价？
误差怎么衡量？导数为什么指向最低点？
假设你知道了一些房子的面积和成交价：
| 房子 | 面积（㎡） | 成交价（万） |
|---|---|---|
| A | 60 | 120 |
| B | 90 | 180 |
| C | 120 | 240 |
| D | 150 | 300 |
你发现了规律吗？每平米大约 2万/平米。
于是你猜出了公式：房价 = 面积 × 2万
有了公式，你就可以预测新房子了：
| 新房子 | 面积 | 公式预测 | 实际成交 |
|---|---|---|---|
| E | 80㎡ | 80 × 2 = 160万 | 165万 |
| F | 110㎡ | 110 × 2 = 220万 | 215万 |
预测基本准确！但误差是难免的：E差了5万，F差了5万。
房价 = w × 面积 + b 是一条直线：
如果给定4个数据点，直线拟合得好不好，看的是所有点到直线的距离。
实际操作中，我们用误差来衡量：
假设给你这些成交数据。它们大致成正比，但并不完美落在一条直线上（真实成交总会有一点偏差）：
| 面积 x | 60 | 80 | 100 | 120 | 150 |
|---|---|---|---|---|---|
| 房价 y | 152 | 198 | 255 | 295 | 380 |
试着猜一下，这条直线的 w 和 b 大概是多少？
（大约：w ≈ 2.5，b ≈ 0。下面会看到——即使用最好的 w，Loss 也不会是 0。）
误差函数就是把所有误差加起来的总和。误差越小，直线拟合得越好。
为什么要平方？因为：① 去掉负号（误差有正有负）② 放大大的误差。
假设我们猜 w = 1，b = 0（公式：房价 = 1 × 面积）：
| 面积 x | 真实价 y | 预测 ŷ=1·x | 误差 ŷ−y | 误差² |
|---|---|---|---|---|
| 60 | 152 | 60 | -92 | 8464 |
| 80 | 198 | 80 | -118 | 13924 |
| 100 | 255 | 100 | -155 | 24025 |
| 120 | 295 | 120 | -175 | 30625 |
| 150 | 380 | 150 | -230 | 52900 |
| Loss = | 129,938 | |||
| 面积 x | 真实价 y | 预测 ŷ=2·x | 误差 ŷ−y | 误差² |
|---|---|---|---|---|
| 60 | 152 | 120 | -32 | 1024 |
| 80 | 198 | 160 | -38 | 1444 |
| 100 | 255 | 200 | -55 | 3025 |
| 120 | 295 | 240 | -55 | 3025 |
| 150 | 380 | 300 | -80 | 6400 |
| Loss = | 14,918 | |||
Loss ≈ 1.5 万，比 w=1 的约 13 万小多了——说明 w=2 好得多。
再拖到 Demo 的碗底（约 w ≈ 2.51），Loss 还能降到大约 76。注意：已经是最优，但 Loss 仍不为 0——真实数据里总有噪声，我们追求的是「相对最好」，不是零误差。
你可以试试：拖动「斜率 w」滑块——上面看直线与红点误差，下面看 Loss 碗形如何升降
同一套滑块联动：下面是「误差随 w 怎么变」——开口向上的碗。拖到碗底，Loss 最低。下一节再讲：碗底和「导数 = 0」有什么关系。
上面 Demo 里，Loss 对 w 画出来是一口开口向上的碗。碗底 Loss 最低——那一点的切线是水平的。
水平线的斜率是 0。而「斜率」在数学里就是导数。所以：找误差最小 = 找切线水平的点 = 解 导数 = 0。
左坡往右下倾、右坡往右上翘。坡度告诉你往哪边挪 w 能下到碗底。
dLoss/dw 就是当前点的坡度。正 → 在右坡；负 → 在左坡；零 → 在碗底。
切线水平 → 导数 = 0 → 误差最小。这就是我们的目标！
先看过原点的直线 y = w·x（Demo 里把截距 b 固定时，道理一样）。Loss = Σ(w·x − y)²
对 w 求导（这里 w 是变量，其他都是常数）：
令 dLoss/dw = 0，解出的 w 就是碗底——对本组数据（b = 0 时）约 w ≈ 2.51。此时 Loss 约 76，已经最小，但不等于 0。
按碗上从左到右的位置读（和 Demo 一致）：
切线往右下倾
→ 应增大 w
切线水平，Loss 最小
→ 不要动了
切线往右上翘
→ 应减小 w
直接用公式算出最优解，一步到位。
优点：快，一步出结果
缺点：复杂模型（神经网络）无法用
一步一步摸索，每次往误差最小的方向走一点。
优点：通用，神经网络也能用
缺点：慢，需要多步迭代
| 最小二乘法 | 梯度下降 | |
|---|---|---|
| 原理 | 直接解方程 | 一步步摸索 |
| 速度 | 快（一步到位） | 慢（多步迭代） |
| 适用范围 | 简单模型（线性回归等） | 任意模型（CNN、Transformer...） |
| 复杂度 | O(n²) 求解矩阵 | 由模型规模决定 |
| 大数据 | 计算量爆炸 | 可增量学习 |
实际工程中，复杂模型（神经网络）只能用梯度下降。最小二乘法只适合简单的线性回归等场景。
房价 = w × 面积 + b。w 是斜率（每平米多少钱），b 是截距（起步价）。
Loss = Σ(预测−真实)²。把所有点的误差加起来，Loss 越小拟合越好。
Loss 是碗形：碗底切线水平 → 导数=0。左坡增大 w，右坡减小 w。
最小二乘法直接解方程；梯度下降一步步迭代。深度学习只能用梯度下降。