线性回归（Linear Regression）算法
根据已有的数据去寻找一条直线，让它尽可能地接近这些数据，再用这条直线预测新数据的可能结果，这个结果是一个具体的数值。
sh
Y = AX + B根据样本数据求出方程的最优解.
损失函数
损失函数 (代价函数) : 定义一个距离公式来计算线性回归的预测值和真实值之间的差异.
损失函数就可以用来评价模型的预测值和真实值之间不一样的程度，损失函数值越小，模型性能越好。
常见损失函数:
- 均方误差（Mean Squared Error，MSE）
- 平均绝对误差（Mean Absolute Error，MAE）
- Huber损失
- 对数损失（Logarithmic Loss）
点击查看损失函数详情: https://blog.csdn.net/galoiszhou/article/details/135131900
线性回归算法的优点:
- 算法简单
- 数学原理清晰
- 运算效率高
- 可解释性强
线性回归算法的缺点:
- 精确度相对较低
- 不相关的特征会对模型的效果影响很大
- 数据量小的情况下, 容易出现过拟合
- 不具备解一个非线性分布的能力
线性回归算法的适用场景:
- 性关系
- 当自变量（特征）与因变量之间存在线性关系时，线性回归是一种自然的选择。线性回归假设因变量与自变量之间的关系可以用线性方程描述。
- 单变量问题
- 在只有一个自变量的情况下，单变量线性回归是一种简单而有效的建模方法。例如，预测房价与房屋面积之间的关系。
- 多变量问题
- 当存在多个自变量时，多变量线性回归可以用于建模。多元一次方程.
- 稳定性
- 线性回归对数据集中的噪声和异常值相对稳定，特别是在数据集较大、噪声较小的情况下。
- 可解释性要求
- 线性回归提供了直观的可解释性，可以理解各个自变量对因变量的影响程度，并得到具体的系数值。
- 特征之间相对独立
- 线性回归假设特征之间相对独立，这对于模型的解释和理解有一定要求。如果特征之间存在多重共线性，线性回归的结果可能不够可靠。
- 预测性能要求不高
- 当预测性能要求相对较低，而可解释性和模型的简单性更为重要时，线性回归是一个合适的选择。
线性回归算法的案例:
- 房价预测
- 用于预测房屋价格的案例是线性回归算法应用的典型案例。特征可以包括房屋的面积、卧室数量、浴室数量等。通过线性回归建模，可以预测房价。
- 销售预测
- 线性回归可用于预测产品销售量。特征可以包括广告投入、季节性因素、促销活动等，而销售量则是因变量。这样的模型可以帮助企业制定营销策略。
- 体重预测
- 在医学和健康领域，线性回归可以用于预测一个人的体重。特征可能包括身高、年龄、性别等。通过建立身体特征与体重之间的线性关系，可以估计一个人的体重。
- 金融风险评估
- 在金融领域，线性回归可以用于评估贷款风险。特征可能包括收入、债务水平、信用历史等，而目标是预测借款人的违约概率。
- 学生成绩预测
- 线性回归可以用于预测学生的考试成绩。特征可以包括学习时间、出勤率、先前考试成绩等。通过建立这些特征与考试成绩之间的线性关系，可以预测学生未来的表现。
- 气温预测
- 在气象学中，线性回归可以用于预测未来的气温。特征可能包括过去的气温、湿度、风速等。通过建立这些特征与未来气温之间的线性关系，可以进行气象预测。
- 人口增长预测
- 线性回归可用于估计城市、国家或地区的人口增长。特征可能包括历史人口数据、经济发展水平等。