一、说在前面
今天学习的是有监督学习的回归案例，通过已有的数据集进行计算，生成回归函数，以对未来的数据进行预测。
二、笔记
NumPy 矩阵求逆函数
numpy.linalg 模块包含线性代数的函数，可计算逆矩阵、求特征值、解线性方程组以及求解行列式等。
行列式：np.linalg.det(A) (判断是否存在逆矩阵)
计算逆矩阵:np.linalg.inv(A)
回归如今指的用一个或多个自变量来预测因变量的数学方法。
在机器学习中，回归指的是一类预测变量为连续值的有监督学习学习方法
在回归模型中，需要预测的变量叫做因变量，用来解释因变量变化的变量叫做自变量。
一元线性回归
多元线性回归（寻找一个超平面，使得训练集中样本到超平面的误差平方和最小）
多元线性回归的矩阵表示
假设训练集的特征部分即为n*(d+1)矩阵X，其中最后一列取值权威1
标签部分即为y=y(y1,y2,...yn)T,参数即为w=(w1,w2,...wd,w0)T
多项式回归：使用原始特征的二次项、三次项
线性回归解决非线性问题
问题：维度灾难、过度拟合
岭回归
思路：线性回归目标函数加上对w的惩罚函数
三、总结
四、心得体会
今天跟着老师在案例里面进行了相关的操作，不过都是一些照葫芦画瓢的输入，对其核心的算法还不是很了解。不过也有收获，发现了很多现成包装好的方法函数，根据要求输入相应的参数就会得到相应的返回。