机器学习入门（一）——线性回归
基本要素：
1、模型：例如针对房价建立简单模型，只考虑价格与时间的关系：
price = w(area)area+w(age)age+b
2、数据集：找到一组真实数据并称之为训练集，我们希望通过训练集找到与真实情况最接近的上诉模型的未知参数。一条数据称之为样本，其价格为一个标签。被预测参数称为特征。
3、损失函数：
损失函数是用来计算模型与真实情况之间误差的度量函数。数值越小误差越小。
4、优化函数
当问题比较简单的时候，损失函数可能可以求出解析解，但很多情况的问题非常的复杂，模型也非常复杂，所以可能不存在解析解。
只有通过优化算法的，在有限次的迭代中，不断的减小损失函数的值。
优化函数的方法有很多如：梯度下降法、牛顿法、拟牛顿法等。其中梯度下降法是最简单的最常用的优化方法。
来源：CSDN
作者：weixin_38800710
链接：https://blog.csdn.net/weixin_38800710/article/details/104320127