1.このセクションの主要なナレッジポイントは、自分の言葉で要約され、写真を添付でき、ナレッジポイントの重要性を説明できます
名前が示すように、線形回帰は回帰問題です。これは回帰問題であるため、教師あり学習に属している必要があります。
ここでは、回帰問題とは何かについて簡単に紹介します。回帰は、入力変数と出力変数の関係を予測するために使用されます。特に、入力変数の値が変化すると、それに応じて出力変数の値も変化します。回帰モデルは、入力変数から出力変数へのマッピングを表す単なる関数です。回帰問題の学習は、関数フィッティングと同等です。関数曲線を選択すると、既知のデータによく適合し、未知のデータをよく予測できます。
線形回帰の定義は次のとおりです。ターゲット値は、入力変数の線形結合であることが期待されます。線形モデルは形式が単純でモデル化が簡単ですが、機械学習におけるいくつかの重要な基本的な考え方が含まれています。線形回帰は、数学的統計の回帰分析を使用して、2つ以上の変数間の相互依存の定量的関係を決定する統計分析方法であり、広く使用されています。
簡単に言うと、既知のデータによく適合し、未知のデータを予測するための線形関数を選択することです。
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）
大量の観測データを処理して、物事の内部法則により近い数式を取得します。つまり、データとデータの間のルールが見つかり、結果をシミュレーションできる、つまり結果を予測できる。解決策は、既知のデータから未知の結果を取得することです。例：住宅価格の予測、信用評価の判断、映画興行の見積もりなど。
3.線形回帰アルゴリズムを個別に記述します。データは自分で作成するか、インターネットから取得できます。（プラスポイント）