一 线性模型 ：
试图学的一个通过属性的线性组合来进行预测的函数
二 线性回归
有监督的学习映射：例子
引入-损失函数：如何衡量最好的参数和权重（优化方向）
损失函数
最小化损失函数：均方误差是一个凹函数
梯度下降：找到最小损失的算法（迭代算法）
变化率最快的方向是梯度方向
超参数：学习率 -太小收敛太慢 太大震荡甚至不收敛
模型的状态：
欠拟合：没有很好地捕捉数据特征 不能很好的拟合数据。
过拟合:把样本中的噪声特性也学习下来了，泛化能力差。
过拟合与正则化：通过正则化添加参数“惩罚”，控制参数幅度，减小过拟合分风险。
如何解决？ ------
添加参数惩罚
三 广义线性模型
线性模型的推广
