ML：Scikit-Learn 学习笔记（4） --- Linear Regression 线性回归

前语

之前写过三篇和Scikit-Learn相关的内容，现在回来填坑了~~
不过和之前是主要翻译官方文档的工作不同的是，从这次开始，会更加像一个技术手札，而不是翻译了：

之前主要说了一个最简单的聚类方式：基于邻居的聚类，对应的，今天就聊一聊最简单的回归：线性回归。

Linear Regression

首先，我们要做的任务是什么呢？我也是初学者，所以就不正式的直接饮用其文档的内容了：

大致就是如上的工作，我们要通过给定的训练数据训练出相关的系数w，使得在给定x的时候，能预测出一个值y
在Linear Regression当中，就是需要求解这样一系列的系数，使得对应的训练数据的残差平方和最小

残差平方和：为了明确解释变量和随机误差各产生的效应是多少，统计学上把数据点与它在回归直线上相应位置的差异称为残差，把每个残差平方之后加起来 称为残差平方和，它表示随机误差的效应。
每一点y的估计值与实际值之差的平方之和称为残差平方和,而y的实际值和平均值的差的平方之和称为总平方和。
简单来说,一组数据的残差平方和越小,其拟合程度越好。