线性回归
作者：互联网
分类（0 or 1）和回归（多少范围内） 可以用来预测
目标：找到θ矩阵的最优解
【不建议将线性回归用于分类问题】
机器学习：需要用到的数据，怎样学（目标函数），逐渐达成目标
偏置项作用：微调最终结果
目标是：误差项最小
数据在独立同分布的情况下，联合概率密度=边缘概率密度的乘积，（下面的似然函数）
变成对数似然的话函数曲线大致一样，不影响取最大值（也是目标），而且乘法变成加法计算起来也更加方便一点
下面的操作都是基于矩阵，（-1矩阵的求逆）
上面虽然求解出了日（当做一个巧合），但是没有体现出来机器学习的内容，应该是计算一个数据看看结果，然后调整，再次计算下一个数据看结果...
梯度下降一次走一点点，一次走太多的话容易走偏。最后在最低点左右徘徊
i 表示第几个样本，j表示第几列，Xij表示一个数
偏导数表示固定面上一点的切线斜率
Z（真实值-预测值）Xij
小批量梯度下降法里面的阿尔法就是步长
如何一步步移动？：是不是日更新了，再带入原来的数据 相比于之前就有移动？
标签：似然,Xij,矩阵,概率密度,目标,线性,数据,回归 来源： https://www.cnblogs.com/liujinmeng/p/15593551.html