本文介绍了线性回归模型的概念，包括简单回归和多元回归，并详细讲解了最小二乘法和梯度下降算法。线性回归广泛应用于数学、金融和医学等领域。文中还分享了在实践过程中遇到的代码问题，期望读者提供帮助。
线性回归模型是最简单的机器学习模型，基础可以从线性回归模型开始入手，慢慢地过渡到非线性回归以及神经网络模型。
1.概念
在统计学中，线性回归是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归，大于一个自变量情况叫做多元回归。 来源：百度百科
2.线性回归
简单回归：一个自变量输入，Y~X是一对一的关系，映射到几何上来说就是二维坐标系的直线方程，可表示为Y=
X，通过训练得到的过程。
多元回归：多个自变量，改变维度的大小。即：
, 
， 
表示偏移量，表示空间分布。因为进行python运算时要循环，当X的维度增多时，循环的工作量就增大，对内存和cpu消耗也大。实
最低0.47元/天 解锁文章
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
