学习：机器学习之线性回归篇

2019年3月7日，学习内容：

1）什么是线性模型：变量与变量之间的关系能够用一次模型来表示（举例：y=C+ax+by+cz+....），则此为线性模型，需要注意的是直线是特殊的线性模型（因为只有两个变量时，并且这两个变量是一元一次方程的关系，则是直线），以前一直以为线性回归模型就是直线模型，这是错误认识。

2）当使用线性回归模型时，代价函数是残差平方和，当残差平方和最小时求得的参数才是最合适的，但为什么残差平方和作为代价函数时比较合适呢：这是根据极大似然函数求最大值时而推导出来的：

         说明几个概念（部分参考百度百科 https://baike.baidu.com/item/%E4%BC%BC%E7%84%B6%E5%87%BD%E6%95%B0/6011241?fr=aladdin）：

         2.1）概率描述了已知参数时的随机变量的输出结果；似然则用来描述已知随机变量及输出结果时，未知参数的可能取值。

         2.2）已知抛硬币出现正面的概率为0.5，我们可以问硬币落地时十次都是正面向上的“概率”是多少；如果我们不知道抛一次硬币出现正面的可能性是多大，我们一共做了n次试验，在这n次中，有2/n次出现了正面。那么我们可以说，这枚硬币正反面对称的“似然”程度是多大。通过某个函数去衡量这种程度的函数就是