开发者学堂课程【机器学习算法 ：课程大纲】学习笔记，与课程紧密联系，让用户快速学习知识。
课程地址：https://developer.aliyun.com/learning/course/535/detail/7202
课程大纲
内容介绍
一、课程纲要
二、学习目标
三、思考与练习
一、课程纲要
1. 多元线性回归模型的参数估计。讲了两种方法：最大似然估计和最小二乘估计。
2. 多元线性回归模型的显著性检验，主要学习了两种，一个是方程本身的检验，方程本身是否具有显著性；另一个是对每一个自变量的检验，自变量对因变量来讲是不是显著
3. 多元线性回归模型的相关系数，包括简单相关系数，复杂相关系数、偏相关系数。主要知道拟合优度，以及调整拟合优度，样本比较小时用调整拟合优度，或者调整拟合系数来判断拟合效果
二、学习目标
1.掌握多元线性回归建模及参数估计，这重点回顾线性代数的矩阵知识点，要知道用矩阵的形式表示多元线性回归模型以及运算过程中的用矩阵的形式来进行。
2.了解多元线性回归模型的显著性检验。注意再讲一元线性回归模型时提到自变量和因变量的显著性检验，以及因变量的显著性检验，对一元线性回归模型是一致的。但是在多元线性回归模型中不一致。讲摩托的数据集模型建模，发现方程整体是显著的，所有的自变量时不显著的。
3.了解变量标准化对模型的影响，进行一个标准化，否则对于结果就是不好度量的。
4.了解多元线性模型的偏相关系数等。简单相关系数，复杂相关系数、偏相关系数，用来描述拟合优度。
三、思考与练习
1.手工完成课程第二部分的 Motor 的例子。
2.理解多元回归参数估计时，MLE 和 OLS 的异同。
3.理解变量标准化对回归方程和效果的影响。对 Motor 的例子进行变量标准化，比较前后的异同。
4.思考 Motor 例子中，多元线性回归存在的问题，有何解决思路？
5.找几个多元回归的例子，进行分析、建模，评估模型的效果。
