最近在学习数据分析线性回归算法时，产生了很多疑问。作为初学者，我认为应该先从基本概念上进行一些深度理解。下面将我的一些思考总结如下：
线性回归模型为：
（1）
其中ε是剩余误差，假设它服从的是高斯分布，然后因此就将线性回归模型和高斯模型联合起来，获取公式如下：
到这里我是完全没看懂！
对于线性回归我有4个疑问：
第一：看到的诸多线性回归、逻辑回归什么的，回归到底是什么意思？
第二：这个ε剩余误差又有什么样的意义？
第三：为什么剩余误差服从高斯分布（即正态分布），整个线性回归模型就能写成高斯分布模型？
第四：这里的线性到底指的是什么？
接下来，我将针对这四个问题谈一谈自己的理解。
1. 回归指的是什么意思？
回归，即将现有的数据向假设的模型拟合接近，还原真实的数据模式。
2. 如何理解ε剩余误差？
这里不妨把（1）式进行合适的转换：
（2）
这样就更容易理解，也就是我们只简单地用线性模型来拟合真是的变量间的关系，并不能达到完美的解释。所以，ε就弥补了用模型难以解释的那一部分，即模型外的未知因素的影响。
3. 为什么剩余误差符合高斯分布，整个线性模型就符合高斯分布？
看公式（2）应该可以较容易理解，这是纯粹的数学知识。
4. 这里的线性到底指的是什么？
关于线性模型中的线性有三种说法：
（1）变量和参数都是线性的；
（2）变量是线性的，但参数不是线性的；
（3）参数是线性的，但变量不是线性的。
而我们这里所说的线性模型主要是针对（3）而言的。所以只要参数是线性的这类问题，我们对变量无论是转成指数、幂指数等任意一种函数形式，都可以用线性模型来解决问题，因为我们要学习的是这个参数向量，而变量值是确定的。