线性回归
原理
机器学习中最简单的模型 也是最流行的模型 速度最快的算法之一 预测输入变量和输出变量之间的关系
分为模型学习和预测两个过程 分为一元回归和多元回归
分为线性回归和非线性回归
目标：尽可能地你和样本数据集，即使误差最小化。带着这个思想去寻找我们的损失函数。
最小二乘损失函数
优化
求解多元回归的系数
正规方程 最小二乘法 梯度下降 批量梯度下贱 Batch Gradient Descent, BGD 可以获得全局最优解 耗时、样本数据量越大，训练速度越慢 随机梯度下降 Stochastic Gradient Descent, SGD 考虑一点样本数据量，训练速度较快 噪音比较多 不一定是全局最优 小批量梯度下降 Mini-batch Gradient Descent, MBGD 避免前两者的缺点 速度快，减少迭代次数
过拟合问题解决方法
建立线性回归模型 虽然在训练集上表现很好，在测试集中表现不好，同样在测试集上的损失函数表现很大，为了解决过拟合，引入正则项。
L1正则化指权值向向量中各元素的绝对值之和 L2正则化指权值向向量中各元素的平方和
优化
平均绝对误差 MAE explained_variance_score
均方根误差 RMSE root_mean_squared_error 值越小，离散程度越小