介绍
在有监督学习中，主要分成了两类：回归和分类
回归：简单的说，通过给点的数字，最后预测出来一个值
eg：银行贷款是有一个贷款的区间范围的，输入的数据可以是个人的收入情况、年龄等数据；最后输出的值就是银行具体能够贷款的金额
分类：给定一些数据，最后计算出来的是划分到某一个类中间
eg：和上面的例子差不多，只是最后的结果并不是银行能够贷款的具体的金额，而是是否具备由贷款的资格
这里注意，在最后整合完成的的式子中间，采用的是矩阵的计算，在机器学习中间一般不会使用一个一个的乘的方式，使用矩阵的方式会更加的高效
误差项分析
误差：真实值与预测值之间肯定是存在有差异的，使用ε来表示
下面将预测值和误差之间的关系带入到高斯分布中：
在上面讲到了似然函数，其实就是给定一堆的样本，然后预测出来一个参数，让这个参数和这些样本数据进行整合，最后得出来的值越靠近真实值
在上面化简的时候，因为需要满足一个最大似然函数，则上面式子右边应该是越小越好，而左边的内容是一个常数（对结果没有太大影响，去掉），最后得到了上图中间的最小二乘法
上面已经得到了这个最小二乘法，如果想要将这个目标函数取得最小值（预测值和真实值之间的误差越小越好）
如上图，就会采用求偏导的方式，当偏导等于0的时候，就是一个极小值点，这样就能够知道取值的内容了
残差平方和：预测值和真实值之间差异
小结：R^2的值越靠近1表示越好；越靠近0表示越不好