資料內(nèi)容：
一、線性回歸
1、什么是線性回歸？線性回歸模型的基本原理和假設。
線性回歸是一種廣泛用于統(tǒng)計學和機器學習中的回歸分析方法，用于建立自變量（特征）與因變量（目標）之間的
線性關系模型。線性回歸的基本原理是尋找一條直線（或者在多維情況下是一個超平面），以最佳地擬合訓練數(shù)
據(jù)，使得模型的預測與真實觀測值之間的誤差最小化。下面我們來詳細解釋線性回歸的基本原理和假設。
簡單線性回歸模型：
y ＝ bo ＋ b1 ·
多元線性回歸模型：
y = bo ＋ b1 · 1＋ b2 · 2 ＋ … ＋bp · Cp
其中：
是因變量（需要預測的值）。
1
2
… … 是自變量（特征），可以是一個或多個。
bo 是截距（模型在自變量都為0時的預測值）。
b1 b2 … bp 是回歸系數(shù)，表示自變量對因變量的影響程度。
線性回歸的目標是找到合適的回歸系數(shù) bo b1 …bp，以最小化模型的預測誤差。通常采用最小二乘法來估計這
些系數(shù)，即使得觀測值與模型預測值之間的殘差平方和最小。
線性回歸模型的有效性基于以下一些關鍵假設：1 、線性關系假設：線性回歸假設因變量和自變量之間存在線性關系。這意味著模型試圖用一條直線（或超平面）
來擬合數(shù)據(jù)，以描述自變量與因變量之間的關系。
2 、獨立性假設：線性回歸假設每個觀測值之間是相互獨立的。這意味著一個觀測值的誤差不受其他觀測值的影
響。
3 、常數(shù)方差假設：線性回歸假設在自變量的每個取值點上，觀測值的誤差方差都是常數(shù)。這被稱為同方差性或等
方差性。
4 、正態(tài)性假設：線性回歸假設觀測值的誤差服從正態(tài)分布。這意味著在不同自變量取值點上的誤差應該接近正態(tài)
分布。
如果這些假設不滿足，線性回歸模型的結(jié)果可能不可靠。
