机器学习：线性回归模型的原理、应用及优缺点

一、原理

线性回归是一种统计学和机器学习中常用的方法，用于建立变量之间线性关系的模型。其原理基于假设因变量（或响应变量）与自变量之间存在线性关系。

回归的目的（实质）

由解释变量去估计被解释变量的平均值

无 偏 性 、 有 效 性 、 一 致 性

下面是线性回归模型的基本原理：

3. 模型拟合： 通过最小二乘法，得到最优的系数，从而建立了线性回归模型。模型的预测值 ( \hat{Y} ) 可以通过将自变量的值带入模型中计算得到。