分类和回归的主要区别在于：在分类中，我们预测一个状态，在回归中，我们预测一个值。
批量梯度下降法与随机梯度下降法
到目前为止，我们已经见过两种线性回归方法。
随机梯度下降法：逐个地在每个数据点应用平方（或绝对）误差，并重复这一流程很多次。
具体而言，向数据点应用平方（或绝对）误差时，就会获得可以与模型权重相加的值。我们可以加上这些值，更新权重，然后在下个数据点应用平方（或绝对）误差。
批量梯度下降法：同时在每个数据点应用平方（或绝对）误差，并重复这一流程很多次。
具体而言，向数据点应用平方（或绝对）误差时，就会获得可以与模型权重相加的值。我们可以加上这些值，更新权重，然后同时对所有点计算这些值，加上它们，然后使用这些值的和更新权重。
问题是，实际操作中使用哪种方法？
实际上，在大部分情况下，两种都不用。思考以下情形：如果你的数据十分庞大，两种方法的计算速度都将会很缓慢。线性回归的最佳方式是将数据拆分成很多小批次。每个批次都大概具有相同数量的数据点。然后使用每个批次更新权重。这种方法叫做小批次梯度下降法。
