1.对于线性回归问题中的误差分析：
首先先说明一下，为了节省时间，以及一些比较难打的字符我真不知道怎么打..我就直接将视频中的截图放上来了..... 侵删
正态分布
对于每个样本的误差都是独立的，是同一种分布，并且假设概率服从高斯分布（正态分布），高斯分布绝大多数时候浮动不会太大，比较贴近实际情况。
之前假设服从均值为0的正态分布，所以可以得到（2）式，而误差本身就表示是预测值和真实值之间的差值。所以将误差替换即将（1）式代入（2）式。
似然函数：在数理统计学中，似然函数是一种关于统计模型中的参数的函数 通俗点理解就是去训练参数，使其在给定输入的情况下输出是真实值当然最大努力去接近。
当然这只能说是现阶段我的理解，随着学习深入会有更深的理解吧。似然函数是将每个样本的P求解式连乘，显然运算量太大。很容易想到对数似然。log（a×b）=loga+logb
展开化简后容易得到上式。为了让似然函数值最大，极大似然化（不懂为甚么极大似然值需要最大，自己百度一下，我现在没理解不敢瞎说）。对于展开式的前半部分是一个定值了，只需要后面部分最小即可取到最大值。而后面一部分又是最小二乘法的计算。
对于最小二乘法化简为右图的形式。矩阵化。平方就是矩阵转置再乘以其本身。然后对θ进行求偏导。然后让偏导为0，得到此时的θ。至于为什么是极大值而不会是极小值，是有一个特性，不过现在尚且不知道，目前就知道在求解最小二乘法时偏导为0的地方为极大值尚可。
在评估时用R平方来评估，对训练好的参数。越接近1越好。在skitlearn中也有这个评估方式。
2.逻辑回归算法原理分析
逻辑回归是一种二分类算法（当然也可以处理多分类
在通常情况下是先用逻辑回归算法来进行处理，然后再根据逻辑回归达到的效果，在进行改进来决定是用什么算法。如果情况差不多优先使用逻辑回归
写的很清楚了，就是将输出转化成0-1的范围内的数，由值到概率的转换
对于给定θ和x的情况下求输出的概率。所以代入。然后因为是二分类问题。所以可以根据其特点整合成一个完整的表达式。
同样的使似然函数最大。转化为负数从而转化为梯度下降任务。也就是求使Jθ下降最快的θ，所以进行求导
而且对于每个特征都要对其进行求导，知道了梯度下降的方向，然后每次改变θ，α是学习率
其实个人感觉不管是线性回归也好还是逻辑回归，最重要的就是构造其最终函数。至于其他的数学运算的都只是计算问题。其次，还有对似然函数的理解以及sigmoid函数的理解都很重要，是帮助我们建模构造最终函数的关键。