浅谈简单线性回归(Simple linear regression)part8.从本源理解线性回归算法

浅谈简单线性回归(Simple linear regression)part8.从本源理解线性回归算法
回归分析法是非常常见的算法
本质：通过模型抓住信息拟合数据从而达到预测的目的
抓一个信息→简单线性回归(一元)→y=kx+b
抓住多个信息→多元线性回归→y=b0+k1x1+k2x2+…+knxn

但是由此就产生了一个问题，在日常生活中，我们观测到的数据不存在可以使用的通用的能完美拟合所有数据的算法，故我们只能尽力缩小该算法拟合数据的误差，于是为了尽可能地接近我们想计算的数据区间，我们想到了最小二乘法.

现在我们把目光转向矩阵，目的在于拟合数据(x1,y1)…(xn,yn)
下面把数据分别放入y=kx+b中，结合矩阵的性质进行变换(理解起来需要点线代基础)
#变换之后的A就用到了最小二乘法.

对于上面A的理解，注意，矩阵是可以转换成向量的，那么就能用向量去理解，该式子的目的在于在空间(3维)上使用向量对目标向量A尽可能地拟合.