线性回归
原理推导
根据特征预测结果，找一条最合适的线来拟合数据。
拟合的平面：\(h_{\theta}(x)=\theta_{0}+\theta_{1}x_{1}+\theta_{2}x_{2}\)（\(\theta_0\) 是偏置项）
设 \(x_0=1 \times\theta_0\) 整合得：\(h_\theta(x)=\sum_{i=0}^{n}\theta_ix_i=\theta^{T}x\)
误差
真实值与预测值之间得误差用 \(\varepsilon\) 表示，对于每个样本： $$y{(i)}=\thetax{(i)}+\varepsilon\tag{1}$$
\(\varepsilon^{(i)}\) 是独立且具有相同的分布，并且服从均值为0方差为 \(\theta^{2}\) 的高斯分布。
标签：right,frac,回归,线性,theta,sigma,partial,left From： https://www.cnblogs.com/qsswxm/p/17334683.html