最小二乘法、梯度下降法和两者区别

一、最小二乘法（最小平方法）

参考来源：一元线性回归模型与最小二乘法及其C++实现

http://blog.csdn.net/qll125596718/article/details/8248249

监督学习中，如果预测的变量是离散的，我们称其为分类（如决策树，支持向量机等），如果预测的变量是连续的，我们称其为回归。回归分析中，如果只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。对于二维空间线性是一条直线；对于三维空间线性是一个平面，对于多维空间线性是一个超平面...

最小二乘法的原则是以“残差平方和最小”确定直线位置。用最小二乘法除了计算比较方便外，得到的估计量还具有优良特性。这种方法对异常值非常敏感。常值非常敏感。

二、梯度下降法

视频——斯坦福大学ML课程第二讲

笔记——F:\学习资料\斯坦福大学ML\斯坦福ML公开课非官网笔记\斯坦福ML公开课笔记1-2 （笔记网上应该都能找到）

（此笔记中梯度下降法推导准确，下标含义叙述清晰）

其他参考：http://blog.csdn.net/woxincd/article/details/7040944

梯度下降法与梯度的关系理解;

http://www.cnblogs.com/hitwhhw09/p/4715030.html

迭代规则：

ML公开课笔记要点摘录：

三、最小二乘法与梯度下降法异同：

更多分析见：https://www.zhihu.com/question/20822481