数据挖掘与机器学习——线性回归（上）
题主最近开始整理数据挖掘的相关算法，其中涉及机器学习的相关内容。总得来说，这二者是相互交融的。
题主写本文的目的，一方面根据视频讲解的内容进行概述，另外一方面结合相关文献加深理解，同时希望各位大佬能够多多指正。
1.理论基础
概率与统计基础：正态分布（又名高斯分布、常态分布）、中心极限定理、最大似然估计、最小二乘法
2.核心概念与理解
在这里，题主并不过多赘述相关公式及其推导定理，而是着重讲述概念理解和意义，以此方便应用。但是其中理论推导其实还是需要好好理解。
线性回归：存在多个点，可回归到一条直线上（就像离家太久的孩子，总要回家）
线性：自变量最高次项不超过1
回归：当前点比较均匀（至少看上去）分布在直线的两侧
线性回归的公式一般可表述为：（可能有表述不合理的地方，多看对比不同）
其中y表示因变量（想要预测的），x表示多个自变量，表示自变量相应的系数，i表示第i条数据，
表示误差。
多个误差相加，根据中心极限定理，符合的服从正态分布。
中心极限定理：
假设{
}为独立同分布的随机变量序列，并有相同期望μ和方差
，则{
····
服从N（nμ，n
服从N（0,1）
3.基本求解
基本求解依靠最小二乘法、最大似然估计来进行参数求解
（未完待续）
4.其他
有关应用，可查看文献：
[1]和旭冉.基于线性回归的一次性塑料废弃物处理量估算模型仿真[J].信息系统工程,2020(05):101-102.
文献内容还是比较简单的，可以大体看看公式，了解其基本应用