机器学习lesson2（最小二乘法的推导）

公式推导

SSE与SSELoss的差别

值得注意的是SSELoss的基本计算过程和SSE一致，只不过SSELoss中带入的是模型参数，而SSE带入的是确定参数值之后的计算结果，因此我们也可以认为对于SSELoss和SSE来说，一个是带参数的方程，一个 是确定方程参数之后的计算结果。

SSE是一种模型评估指标

SSELoss是一种损失函数

既然SSE和SSELoss的计算过程类似，那为何要区别损失函数和模型评估指标呢？主要有以下 几点原因： 其一：对于很多模型（尤其是分类模型）来说，模型评估指标和模型损失函数的计算过程并不一 致，例如准确率就很难转化为一个以参数为变量的函数表达式； 其二：模型评估指标和损失函数构建的目标不同，模型评估指标的计算目标是给模型性能一个标 量计算结果，而损失函数的构建则是为了找到一组最优的参数结果。

除了SSE以外，常用的回归类问题的评估指标还有MSE（均方误差）和RMSE（均方 根误差），其中MSE就是在SSE的基础上除以样本总量， 而RMSE则是在MSE基础之上开平方算得的结果，对应的，MSE和RMSE也有相对的损失函数。

python实现

或者直接调库函数