datawhale吃瓜教程Task02，学习笔记

线性模型

线性模型是一个比较基础的机器学习模型，比较简单比较好理解。

线性回归

以为机器学习是通过算法也就是数学来探究隐藏在数据集中的规律，所以需要将数据集的属性映射成数据进行运算。比如区分好瓜和坏瓜可以用01来表示、甜度就用{0.1，0.2，0.3}之类的来代替。
“min”和“arg min”的区别在于，前者输出目标函数的最小值，
而后者输出使得目标函数达到最小值时的参数取值。
剩下一大堆的数学公式推导就不再重复书写，主要讲解一下对于方法的理解。

梯队下降法

简单来说就是不停的寻找，使整个函数结果最贴近实际数据集的参数，通过不停的迭代。以寻找到能够使模型与实际数据之间差异最小的参数。

牛顿法

也是梯度下降的一种，跟梯度下降的方法基本一致，一样是通过不断的迭代来寻找最优解。但是它的计算量太大，所以在此基础上有了拟牛顿法，减少了计算量。梯度下降法的通病容易陷入局部最优解的问题中，无法的到全局最优解。