（2）监督学习：关于回归与分类的理解。
（3）线性回归定义：
（4）算法矩阵、数组：
数组：0/1/2/3维数组；3维数组为RGB。
矩阵：1.必须为二维数组；2.矩阵满足了特殊的运算的要求。
（5）为了减少误差，引入了误差函数：
学习网站：https://blog.csdn.net/wangqianqianya/article/details/82960410?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522158731140119725219920099%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=158731140119725219920099&biz_id=0&utm_source=distribute.pc_search_result.none-task-blog-2~all~first_rank_v2~rank_v25-10
（6）统计学习算法优化：(最小二乘法)1.正规方程；2.梯度下降。
梯度下降优化动态图：
循环10次，loss值变化如下：w、b逐渐靠近值12、4。
循环100次，loss值变化如下：w、b越靠近值12、4。
执行代码：
import random
import time
import matplotlib.pyplot as plt
#新建数据
_xs = [0.1 * x for x in range(0, 10)]
_ys = [12 * i + 4 for i in _xs]
print(_xs)
print(_ys)
w = random.random() #权重
print(w)
b = random.random() #偏置
print(b)
# y=wx+b
a1 = []
b1 = []
for i in range(10):
for x, y in zip(_xs, _ys): #遍历_xs和_ys
print("x=",x,"y=",y)
o = w * x + b #预测值
print("o=")
e = (o - y) #误差
print("e=",e)
loss = e ** 2 #损失函数
dw = 2 * e * x
db = 2 * e * 1
w = w - 0.1 * dw #梯度下降w
b = b - 0.1 * db #梯度下降b
print('loss={0},w={1},b={2}'.format(loss, w, b))
a1.append(i)
b1.append(loss)
plt.plot(a1, b1)
plt.pause(0.1)
plt.show()
2.思考线性回归算法可以用来做什么？（大家尽量不要写重复）
答：线性回归是连续性变量预测，可预测具体房价、天气温度等连续性变化数据，用作预测工具，更科学、更准确地预测数据。
