学习目标：
线性回归是一种基本的统计学习方法，主要用于分析一个或多个自变量与因变量之间的线性关系。以下是关于线性回归的一些关键点：线性回归的四要素：
（1）假设(hypothesis)；（2）模型参数(params)；（3）代价函数(loss)；（4）目标(Goal)；
1.概念含义：
线性回归模型假设因变量和自变量之间存在线性关系，即可以通过一条直线（一维）或一个平面（多维）来近似表示这种关系。
2.数学表达式-假设(hypothesis)：
由于真实值与预测值总会存在误差
3.参数(params)：
其中，X可能是线性相关的特性（多元一次函数），公式中的参数W就是我们得到的算法模型，（主要就是为了训练得到model的parameter）。
有了好的参数，这样就会然后我们的训练数据更好的去拟合模型。
这样对于一个新的X(n维，多个指标)，可能更好的得出准确的y_predict。
4.代价函数(loss)：
代价函数也叫均方误差函数，是我们预测模型（Θ-n维，多个指标）计算出的y_pre与y_true的比较。
那么这个公式是如何得出的：
在2中得到的公式
误差 是独立并且具有相同的分布，
并且服从均值为0方差为 的高斯分布，那么为什么会服从高斯分布呢？
传送门1：高斯分布的理解
传送门2：为什么线性回归模型中要假设随机误差等方差并且服从正态分布？
传送门3：为什么误差总是服从高斯分布？
引入似然函数
所以让损失函数越小越好
5.目标(goal)：
目标就是用4中等式右面的均方误差函数求出最优的参数模型
那么如何求出最优参数模型呢？如何得到好的参数去更好的拟合新数据呢?
后面就需要引入梯度下降来的到模型最优的参数模型（loss越小越好）。
6.梯度下降（GD）：
7.思考：
- 代价函数的定义可知是为了得到y_pre与y_true的误差更小，为什么不直接研究如何得到min(|y_pre-y_true|)？
- 代价函数为什么要平方而不是三次方？四次方？
不能一次方，三次，四次都不可以。因为要后续梯度下降求导，找代价函数的最小值。 - 如果实际应用中某特征，它表示通过X平方表示，可以使用线性回归吗？
可以的，但是需要特殊操作。需要将X平方的整体代表一个特征（特征处理）。 - 为什么要乘二分之一？
方便后续梯度下降求导，方便计算
