开发者学堂课程【机器学习算法 ：总结与回顾】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/7187
总结与回顾
内容简介
一、课程纲要
二、学习目标
三、思考与练习
一、 课程纲要
1. 什么是回归分析?
2. 什么是线性回归？
3. 线性回归的特点及基本假设 前置的基本假设
4. 构建线性回归模型，分为六个步骤
二、 学习目标
1.了解线性回归的特点及使用场景
2.了解线性回归的前提假设条件，比如说对随机误差来讲，它的均值为0，等方差。另外还要满足正态分布，对自变量来讲，非随机变量、函数等等的前提假设条件。前提假设条件非常重要，若是不满足就使用线性回归并在建模的时候没有对问题进行修正，这个效果一定不好。
3.了解线性回归的建模方法，分为六个步骤，明确需求、明确变量、判断变量是否符合基本假设、收集加工数据、选择模型、模型参数、计算，去做模型的评估、部署、应用。
4.了解线性回归的有的和缺点。优点是比较简单易行，计算量比较少，有非常坚实的数学基础等；也有明显的缺点，是说前提假设条件很多，要进行验证是否满足假设条件，不满足需要在后期用一些手段去修正，否则模型效果很差，还有就是在建模过程中变量的确定，影响因素不太确定，对结果的影响因素很多，要选择合适的自变量进行建模。
三、 思考与练习
1举例说明线性回归的“线性”的含义以及“回归”的含义。
2熟悉线性模型的一般形式，理解误差项的含义。
3理解线性回归模型的基本假设条件。并找几个数据集验证，是否满足。
4使用 Galton 身高数据集，按照线性回归建模的步骤进行建模。
5结合机器学习的基础知识，从损失函数优化的角度理解线性回归。
