资料内容：
一、线性回归
1、什么是线性回归？线性回归模型的基本原理和假设。
线性回归是一种广泛用于统计学和机器学习中的回归分析方法，用于建立自变量（特征）与因变量（目标）之间的
线性关系模型。线性回归的基本原理是寻找一条直线（或者在多维情况下是一个超平面），以最佳地拟合训练数
据，使得模型的预测与真实观测值之间的误差最小化。下面我们来详细解释线性回归的基本原理和假设。
简单线性回归模型：
y ＝ bo ＋ b1 ·
多元线性回归模型：
y = bo ＋ b1 · 1＋ b2 · 2 ＋ … ＋bp · Cp
其中：
是因变量（需要预测的值）。
1
2
… … 是自变量（特征），可以是一个或多个。
bo 是截距（模型在自变量都为0时的预测值）。
b1 b2 … bp 是回归系数，表示自变量对因变量的影响程度。
线性回归的目标是找到合适的回归系数 bo b1 …bp，以最小化模型的预测误差。通常采用最小二乘法来估计这
些系数，即使得观测值与模型预测值之间的残差平方和最小。
线性回归模型的有效性基于以下一些关键假设：1 、线性关系假设：线性回归假设因变量和自变量之间存在线性关系。这意味着模型试图用一条直线（或超平面）
来拟合数据，以描述自变量与因变量之间的关系。
2 、独立性假设：线性回归假设每个观测值之间是相互独立的。这意味着一个观测值的误差不受其他观测值的影
响。
3 、常数方差假设：线性回归假设在自变量的每个取值点上，观测值的误差方差都是常数。这被称为同方差性或等
方差性。
4 、正态性假设：线性回归假设观测值的误差服从正态分布。这意味着在不同自变量取值点上的误差应该接近正态
分布。
如果这些假设不满足，线性回归模型的结果可能不可靠。
