写这篇文章的主要目的就是建立一个会回拟合的思想；
其中目标值 y 是输入变量 x 的线性组合。 数学概念表示为：如果 y^
是预测值，那么有：
回归的过程就是根据变量x值求的系数w的值，最终进行预测y^的值
我们使用python来实现
在整个模块中，定义向量 w作为 coef_ ，定义 w0作为 intercept_ 来存放参数
使得数据集实际观测数据和预测数据（估计值）之间的残差平方和最小。
目标函数：
我们使用一个最简单的最小二乘法来进行回归
>>> from sklearn import linear_model
>>> reg = linear_model.LinearRegression()
>>> reg.fit ([[0, 0], [1, 1], [2, 2]], [0, 1, 2])
LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)
>>> reg.coef_
array([0.5, 0.5])
>>> reg.intercept_
2.220446049250313e-16 ==0
所以预测函数为y=0.5(x1)+0.5(x2)+0 #括号里面是变量，编辑数学公式不太好打
岭回归：（ridge regression）
岭回归通过对系数的大小施加惩罚来解决 普通最小二乘法 的一些问题。 岭系数最小化的是带罚项的残差平方和。
目标函数：
其中， 是控制系数收缩量的复杂性参数： 的值越大，收缩量越大，模型对共线性的鲁棒性也更强。
使用python实现
>>> from sklearn import linear_model>>> reg = linear_model.Ridge (alpha = .5)
>>> reg.fit ([[0, 0], [0, 0], [1, 1]], [0, .1, 1])
Ridge(alpha=0.5, copy_X=True, fit_intercept=True, max_iter=None, normalize=False, random_state=None, solver='auto', tol=0.001)
>>> reg.coef_
array([ 0.34545455, 0.34545455])
>>> reg.intercept_
0.13636...
alpha为0.5，我们可以验证一下alpha
通过内置的关于的 Alpha 参数的交叉验证来实现岭回归。 该对象与 GridSearchCV 的使用方法相同，只是它默认为 Generalized Cross-Validation(广义交叉验证 GCV)，这是一种有效的留一验证方法（LOO-CV）:
>>> from sklearn import linear_model>>> reg = linear_model.RidgeCV(alphas=[0.1, 1.0, 10.0])
>>> reg.fit([[0, 0], [0, 0], [1, 1]], [0, .1, 1])
RidgeCV(alphas=[0.1, 1.0, 10.0], cv=None, fit_intercept=True, scoring=None, normalize=False)
>>> reg.alpha_
0.1
从这两个例子我们可以看到，其实一些看似高大上的东西，根源还是我们学过的一些数学知识
而python中已经把这些方法都集成进来了，我们可以直接使用；
用一些拟合，回归我们可以进行做一些数据预测，和进行异常检测；
我们的输入矩阵x就是一些数据的特征值；有了这样的支撑之后，我们很多就是要考虑数据的预处理，分类，聚类等数据处理筛选了，从这里讲，我们在需要考虑的事情就是，数据从哪里来，把现实中的事物，现实中的问题，转化为数学中的数据，只要这部我们能做好，其一些数据公式算法就可以为我们所使用了；
现实中的问题，事物--》数学中的数据--》数据处理，筛选等处理--》数据定理算法的使用--》解决我们的问题