（θ₀ 是偏置项）
整合：
注：(）
1 误差
1.1 真实值与预测值之间肯定要存在差异的（用
来表示该误差)
(0) 对于每个样本：
误差
是独立并且具有相同的分布，并且服从均值为0方差为
的高斯分布
- 独立：张三和李四一起来贷款，他俩没关系
- 同分布：他俩都是来的我们假定的这家银行
- 高斯分布：银行可能会多给，也可能会少给，但是绝大多数情况下这个浮动不会太大，极小情况下浮动比较大，符合正常情况。
2 似然函数
(1)高斯分布：
(2)由于误差服从u=0，的高斯分布：
(3)将(0)带入(2)求解：
似然函数：
对数似然：
似然函数越大越好
3 目标函数
(越小越好）
4 求偏导
偏导等于0：
5 评估方法
最常用的评估项
注:取值越接近于1我们认为模型拟合的越好
6 梯度下降
引入：当我们得到了一个目标函数后，如何进行求解？（并不一定可直接求解，线性回归是个特例而已）
常规套路:机器学习的套路就是我交给机器一堆数据，然后告诉它什么样的学习方式是对的（目标函数），然后它朝着这个方向去做
如何优化：一口吃不成个胖子，我们要静悄悄的一步步的完成迭代（每次优化一点）
目标函数：
