机器学习（四）——用解析解的方式求解模型

最大似然估计

通俗来讲：假设你有一组身高的数据，有两个正态分布（踢足球的和打篮球的），打篮球的正态分布肯定是那种又细又高的，而踢足球的是宽低的，
最大似然估计就是，把数据带进去看它属于哪个正态分布，假设有个一米九的，我们就可以猜出他是打篮球的

中心极限定理

在这里，我们的随机变量是误差的值

概率密度函数

概率密度函数：当f（x）越大说明某个x出现在这个正态分布上的概率越大
f（x）并不是概率，而是概率密度，因为概率不好求，所以我们求概率密度，如下图

上图中的阴影部分的面积就是概率，它不好求，需要积分，所以我们用概率密度代替，效果一样，当概率密度最大的时候就是最优解

损失函数

下图是化解步骤：

L：最大总似然估计：m个样本里的每个样本的似然相乘

因为相乘不好算，所以我们取对数

取对数可以把连乘变成连加，如下

上图中第四行：减号前面的值是固定的，所以减号后面的值越小整个值就越大
所以上图中最后的式子就是我们的线性回归的损失函数，我们要求得就是损失函数最小的时候

解析解