算法发展
线性回归是一种用于建立自变量和因变量之间线性关系的经典机器学习算法。它是机器学习和统计学领域中最简单、最基础的回归算法之一。线性回归的发展可以追溯到19世纪早期,但它在机器学习领域的应用始于20世纪50年代。
重要论文及论文内容
1. Ordinary Least Squares (OLS) by Gauss and Legendre (1805)
这篇经典论文由Carl Friedrich Gauss和Adrien-Marie Legendre在1805年分别独立发表。他们提出了最小二乘法(Ordinary Least Squares, OLS),这是线性回归中最常用的拟合方法之一。OLS通过最小化残差平方和来拟合数据,并得到最优的回归系数。
2. A Contribution to the Empirics of Economic Growth by Robert Solow (1956)
Robert Solow在1956年发表的这篇论文对经济增长进行了研究,并使用了线性回归方法。他提出了Solow经济增长模型,该模型通过线性回归来解释国家经济增长的因素。