What
现有多个变量X1, X2, X3, ....会对结果数据Y产生影响，现在要求出这些变量Xn对于最终结果的影响权重。找到一个线(两个变量)，面(三个变量)来拟合这些权重的数值。通过训练数据得到这些参数，然后使用这些参数(模型)对新数据进行预测
例如，拟合一个平面：
其中 θ0表示预置的权重参数。
-
误差
真实值和预测值之间肯定是要存在差异的
误差是独立并且具有相同分布，并且服从均值为0方差为θ2的高斯分布（正态分布）
似然函数：
，什么样的参数跟我们的数据组合后恰好时真实值。 样本数据 -> 参数，参数估计。最大似然函数，极大似然估计，让结果符合真实值的概率最大。
对数似然：
，似然函数的对数形式，便于计算。
目标函数：
，从对数似然化简得出，目标函数值越小似然函数值越大。对目标函数求偏导，在其偏导数为0点的，为极小值点：
-
评估方法
最常用的评估项：R2，其值越接近1认为结果约好。
-
梯度下降
得到一个目标函数后，如何进行求解。
目标函数：
，寻找山谷最低点，即函数终点
如果有多个参数，是每个参数分布求极值，每次一小点，不断的更新参数
梯度下降的方法：
-
-
批量梯度下降
-
容易得到最优解，但每次要考虑所有样本，速度很慢
-
-
随机梯度下降
-
每次找一个样本，迭代速度快，但不一定每次朝着收敛的方向
-
-
小批量梯度下降 batch
-
每次更新选择一小部分数据来计算，较实用
不同步长(学习率)对结果会有大影响。一般要小一些，从小值开始，不行再小。批量的大小，在机器资源允许的情况下尽量大些。