（2）教師あり学習：回帰と分類の理解。
（3）線形回帰の定義：
（4）アルゴリズムの行列と配列：
配列：0/1/2 / 3次元配列; 3次元配列はRGBです。
行列：1. 2次元配列でなければなりません; 2.行列は特別な操作の要件を満たしています。
（5）エラーを減らすために、エラー関数が導入されています。
学習Webサイト：https://blog.csdn.net/wangqianqianya/article/details/82960410?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522158731140119725219920099%2522%252C%2522scm%2522%253A%252220140713.130102334.pc% 255Fall。％2522％257D＆request_id = 158731140119725219920099＆biz_id = 0＆utm_source = distribute.pc_search_result.none-task-blog-2〜all〜first_rank_v2〜rank_v25-10
（6）統計学習アルゴリズムの最適化：（最小二乗法）1.正規方程式; 2.勾配降下。
勾配降下最適化の動的グラフ：
10サイクル後、損失値は次のように変化します。wおよびbは、12、4の値に徐々に近づきます。
100サイクル後、損失値は次のように変化します。wとbは値12,4に近くなります。
実行コード：
ランダムにインポート
インポート時間
matplotlib.pyplotをpltとしてインポートする
＃新しいデータ
_xs = [範囲の（0、10）のxに対して0.1 * x]
_ys = [12 * i + 4 for i in _xs]
プリント（_xs）
プリント（_ys）
w = random.random（）＃重量
プリント（w）
b = random.random（）#bias
プリント（b）
＃y = wx + b
a1 = []
b1 = []
範囲内のi（10）：
zip内のx、yの場合（_xs、_ys）：#traverse _xs and _ys
print（ "x ="、x、 "y ="、y）
o = w * x + b＃予測値
print（ "o ="）
e =（o-y）＃エラー
print（ "e ="、e）
損失= e ** 2＃損失関数
dw = 2 * e * x
db = 2 * e * 1
w = w-0.1 * dw＃勾配降下w
b = b-0.1 * db #gradient descent b
print（ 'loss = {0}、w = {1}、b = {2}'。format（loss、w、b））
a1.append（i）
b1.append（loss）
plt.plot（a1、b1）
plt.pause（0.1）
plt.show（）
2.どの線形回帰アルゴリズムを使用できるかを考えていますか？（誰もが重複を書かないようにしてください）
回答：線形回帰は、特定の住宅価格や気象温度などのデータの連続的な変化を予測できる連続変数予測です。データをより科学的かつ正確に予測するための予測ツールとして使用できます。
