线性回归可能是统计学和机器学习中最知名且易于理解的算法之一。
它不就是一项起源于统计学的技术吗？
预测建模主要关注的是让模型的误差最小化，或者说，在可以解释的前提下，尽可能作出最准确的预测。我们会借用，重用，甚至是窃取许多不同领域（包括统计学）的算法，并将其用于上述的目标。
线性回归通常表示为这样一个等式：
通过查找特定的称为系数（B）的输入变量的权重，来描述最符合输入变量（x）和输出变量（y）之间关系的直线。
例如：y = B0 + B1 * x
我们将在给定输入x的情况下预测y。线性回归学习算法的目标是找到系数B0和B1的值，并且让预测值和真实值之间的误差最小化。
可以使用不同的技术从数据中学习（训练）线性回归模型，例如，最小二乘法的线性代数解，和梯度下降优化法。
线性回归已经存在了200多年，得到了广泛研究。使用此技术的要点是删除非常相似（相关）的变量，并尽可能消除数据中的噪声。
这是一种快速而简单的技术，值得尝试的第一个好算法。
