线性模型是机器学习中最简单的，最基础的模型结果，常常被应用于分类、回归等学习任务中。
回归和分类区别：
- 回归：预测值是一个连续的实数；
- 分类：预测值是离散的类别数据。
1. 线性模型做回归任务中----线性回归方法，常见的损失函数是均方误差，其目标是最小化损失函数。以下是均方误差表达式：
那么基于均方误差来求解模型的方法称为最小二乘法。
最小二乘法思想：寻找一个超平面，使得训练数据集中所有样本点到超平面的距离之和最小。
总结：
缺点与改进：线性回归是采用超平面来拟合所有的训练数据，但如果数据不呈线性分布关系时，线性模型得到的结果是欠拟合的（ps：欠拟合就时特征学习的不够）。如果解决欠拟合的问题，有两种方式：
第一种方法：挖掘更多的特征，比如不同的特征之间的组合，但这样做会使得模型更复杂，而且好的特征选取并不是一件简单的事；
第二种方法：通过修改线性回归，这时出现的方法是“局部加权线性回归（LWR）”，该方法使得我们在不添加新特征的前提下，获得近似的效果。该方法只需将损失函数修改为：
但是，LWR也有不足。最大的缺点是空间开销比较大，在线性回归模型中，当训练得到参数的最优解，就可以得到新数据的预测输出，但LWR除了保留参数得到最优解外，还要保留全部的训练数据，以求取每一个训练数据对应于新数据的权重值。
2. 线性模型来进行分类学习----Logistics回归：基本思想是在空间中构造一个合理的超平面，把空间区域划分为两个子控件，每一种类别都在平面的某一侧。
该算法一般采用的是Sigmoid函数：它可以将输入数据压缩到0到1的范围内，得到的结果不是二值输出，而是一个概率值，通过这个数值，可以查看输入数据分别属于0类或属于1类的概率。
特别地，以上两种线性模型，都是广义线性模型的特殊形式。