具体原理不讲了，线性回归模型，代价损失函数 COST是均方误差，梯度下降方法。
- 属性取值。模型的属性取值设置需要根据每一个参数的取值范围来确定，将所有的属性的取值统一正则化normalization，统一规定在0~1的范围，或者-1~1的范围内，这样在进行线性回归时不会造成额外的回归开销。另外，正则化的方法有很多，常见的方法就是线性正则化，这是在不知道属性对预测值的影响的前提下才这么做的。之所以进行这种正则化，使我们默认了属性对数据的影响力是均等的。但是实际中很多时候，我们取得的很多属性根本没有意义，或者对预测值的影响并非线性，那么这时就出现了较大的问题，需要根据具体情况来更改。
- 模型的解。线性回归模型在保证属性空间内满秩的情况下，可以不用进行训练和迭代，直接有现成的公式可用，即通过矩阵运算得到预测值，模型也就确定下来了。但是很多时候，属性空间维度非常高，而数据空间则数量比较少，必然做不到满秩，当然，其中有个求逆矩阵的运算也是可以做的， 采用pseudo inverse即可。不满秩也就无法通过一次矩阵运算得到最优解，得到的是很多个解。因为用代价函数对模型参数求导取值为0的解有很多个，所以就需要在解空间中寻找最优解。
- 代价函数。之所以选择均方误差为代价函数，优点是：对其求导可以得到一次的导函数，运算简便；本身是多项式函数，求导性质比较好，而且是最简单的凸函数，方便找到最小值；相比绝对值函数，它考察了偏离真实值越远，代价成倍增大，符合实际情况，另外绝对值函数是个分段函数，求导不便。
- 对非线性的拟合。方法就是采用属性的扩展，比如，由于我们不知道属性对预测值的影响是不是线性，可以对属性进行函数扩展，多项式函数，指数函数，对数函数等等，创造出各种属性，这些属性进行线性综合，同时考虑正则化，归一化，这样进行训练得到的拟合效果更好。这是因为，真实的属性对预测值的影响的函数可能非常复杂，很难用一种简单的函数进行拟合，因此将各种复杂的函数线性组合形成一个复杂的函数，可以拟合各种函数。泰勒展式告诉我们，多项式函数可以和三角函数相互兑换，也可以和指数函数，对数函数相互兑换。因此，多项式函数、三角函数、指数、对数函数他们相互之间都是一种线性变换，因此都可以拟合任何维度的复杂函数。因此一般就对属性进行次幂扩展，扩充属性。需要注意的是，这种方法仅限于对数据量很大，属性不算特别多才成立，否则效果很差。
- 对噪声敏感。由于这种代价函数的选取是根据均方误差来的，距离真实值越远，代价就会成差值倍数增加，所以它是对噪声敏感的，如果数据中一旦有一个数据偏离规范较远，所谓偏离规范较远指的是它是真实可靠数据，但是显得很异常。这样一来就会导致线性模型的参数发生很大的变化，因为要减少这种数据的误差。所以，在使用线性回归模型之前需要进行去除噪声。