詳細解釋
線性迴歸假設目標 y 為特徵的線性函數（含截距），以最小化均方誤差（或其它損失）估計權重。可用閉式解（正規方程）或 梯度下降 (梯度遞減) 求解，是 Lasso (L1 正則化迴歸)、Ridge 與廣義線性模型的基礎。適用於迴歸、特徵重要性初探與基線模型。與 梯度下降 (梯度遞減)、Lasso (L1 正則化迴歸)、機器學習 (ML) 相關。
線性迴歸假設目標 y 為特徵的線性函數（含截距），以最小化均方誤差（或其它損失）估計權重。可用閉式解（正規方程）或 梯度下降 (梯度遞減) 求解，是 Lasso (L1 正則化迴歸)、Ridge 與廣義線性模型的基礎。適用於迴歸、特徵重要性初探與基線模型。與 梯度下降 (梯度遞減)、Lasso (L1 正則化迴歸)、機器學習 (ML) 相關。