算法梳理进阶线性回归 任务一

1. 机器学习的一些概念(有监督、无监督、泛化能力、过拟合欠拟合(方差和偏差以及各自解决办法)、交叉验证)
   用已知某种或某些特性的样本作为训练集，以建立一个数学模型，再用已建立的模型来预
   测未知样本，此种方法被称为有监督学习
   与监督学习相比，无监督学习的训练集中没有人为的标注的结果
   泛化能力，模型的预测能力
2. 线性回归的原理
   回归算法是一种比较常用的机器学习算法，用来建立“解释”变量(自变量X)和观
   测值(因变量Y)之间的关系；从机器学习的角度来讲，用于构建一个算法模型(函
   数)来做属性(X)与标签(Y)之间的映射关系，在算法的学习过程中，试图寻找一个
   函数 使得参数之间的关系拟合性最好
3. 线性回归损失函数、代价函数、目标函数的概念
   （预测值-真实值）**2
   1/2sum（1到m）（预测值-真实值）**2
   h(x)=thetade转置x，即目标线性方程
4. 一元线性回归的参数求解公式推导
   最直接的，解线性方程
   最大释然函数/最小二乘法都可以
5. 多元线性回归的参数求解公式推导
   梯度下降
6. 线性回归的评估指标有哪些？原理是什么？
   explained_varicance_score：可解释方差的回归评分函数
   mean_absolute_error：平均绝对误差
   mean_squared_error：平均平方误差
7. sklearn参数详解（sklearn包里面线性回归的每个参数的作用）
   lr = sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=1)
   fit_intercept截距项
   copy_X是否被改写
   n_jobs内存运行的一种方式