线性回归（linear regression）是一种基于数学模型的算法，首先假设数据集与标签之间存在线性关系，然后简历线性模型求解参数。在实际生活中，线性回归算法因为其简单容易计算，在统计学经济学等领域都有广泛的应用，所以也作为工业界常用的模型。下面按照目录的顺序介绍：

1线性回归的三要素

1线性映射

2损失函数 

3优化目标---将损失函数（MSE,mean squared error）最小化

2两种常用的求解方法

话不多说，这里我们使用实例代码介绍正规方程和梯度下降。

1正规方程（Normal Equation）

                                         

                                                    

theta = np.linalg.inv(X.T @ X) @ X.T @ y_train

• X 是特征矩阵（包含所有样本的特征数据）。

• X⊤ 是矩阵 X 的转置。

• X⊤X是特征矩阵的内积。

这个公式表示的是通过正规方程直接计算最优回归系数 θ 的方法。

2梯度下降（gradient descent）

                                                    

• α 是学习率，决定每次更新的步长。

• ∇J(θ)  是损失函数 J(θ) 对 θ的梯度，表示损失函数在当前参数点的变化率。

这个公式表示的是 梯度下降算法 中的参数更新步骤，通过反向传播梯度，逐步调整模型的参数，以最小化损失函数。

Q&A环节：

1.MSE 对比下 RMSE 区别和用法？

两者非常接近，但是对RMSE平方后开方的操作使其与y有相同的量纲，从直观角度易于比较。我们可以简单认为RMSE作为模型的评价指标 ，MSE则是作为损失函数用在训练的时候。

2关于梯度下降，选取什么样式的梯度下降？

不论是MBGD（小批量梯度下降） SGD （随机梯度下降）其实都可以叫做SGD ，虽然理论上两种算法不一样，SGD不如MBGD稳健（B是关键点哈哈）一般情况不怎么做严格的分别。

3学习率对于训练影响

显然，选择合适的学习率非常重要哈，步子太小会赶不上时代，太大会伤到自己。

4啥时候使用正规方程以及梯度下降法？

正规方程优雅简洁，适合理论；梯度下降灵活万用，适合实战。有点类似于正规方程是优雅的数学系，不需要学习率设置，更不需要去迭代，最最最nb的是得出的就是最优解。梯度下降法是工程师以及生活中更加通用的方法（那谁说局部最优不是最优解！！！达不到想要的那就从头再试一下嘛哈哈哈）哈哈哈。

5回归系数有几个啊？

一般来说是特征数加上一个偏置项。

6线性回归的标准化重要么如果不标准化对结果是否有很大改变呢？