机器学习构建线性模型

ipynb文件参考：https://github.com/824024445/Machine-learning-notes/blob/master/4训练模型.ipynb
《Sklearn与TensorFlow机器学习实用指南》学习笔记 整理于

本章内容

首先
通过一个简明扼要的线性回归模型来进行说明, 探讨不同训练策略及其效果分析

• 1.直接在封闭方程上求根
• 2.迭代，梯度下降（GD）的方法

第二步
深入探讨更为复杂的系统：高阶多项式回归模型，能够有效地建模非线性数据集 。由于其参数数量众多的原因，在实际应用中容易出现过拟合问题。本章将详细阐述如何判断是否发生过拟合，并详细介绍多种有效的正则化技术来有效抑制这种现象。

第三步
介绍两种常用的分类模型：Logistic回归和Softmax回归

一、线性回归模型为例

写在前面，在进行模型训练时，默认会选择两种不同的方法：不论是闭式计算还是迭代优化方法来处理问题。然而，并非所有情况都采用闭式计算的目的只是为了提高计算效率并减少资源消耗。
Linear