过去一周多一直在忙项目。时序预测做的效果不好，打算换模型，换成线性回归，特征工程做好一点。最近在看线性回归，慕课波波老师+Kaggle House Price项目。从波波老师讲的来看，线性回归其实很强大，SVM和NN都是他的特例。
优点是可解释性强，缺点是参数性方法，要假设服从线性关系。残差要为正态分布，即白噪声，既时序预测中的残差结社。这样提取不了什么信息。从而，目标值也要是正态分布的。使其正态化。一般用log(1+y)。有偏连续性变量也要使其正态分布。
线性回归的另一个缺点是使用最小二乘去找最优权值是复杂度高，O(n^3)。一个解决办法是梯度下降寻优。
Idea: 通过设计深度神经网络生成特征，摆脱人工设计时序特征的窘境。