线性回归一般用来解决连续值变量预测问题。是有监督学习。叫线性回归，是因为，我们假定自变量和因变量之间是线性相关关系。
基本形式：
f(x)=w0x0+w1x1+w2x2+...+wnxn 当 x0=1 时， w0 就是截距。向量形式：
f(x)=wTx 简单理解：线性回归就是要找到一条直线尽可能的拟合所有的点。
对于多元线性回归，我们只需要确定 w=[w0,w1,w2...wn] 就能确定 f(x) 。如何确定最优的 w ，就需要损失函数。这里我们使用
均方误差得到损失函数。
J(w)=12m∑i=1m(f(xi)−yi)2 f(xi) ：当前 w 下，预估的 y 。yi：原始的 y 。
2：为了之后计算方便。
这里，我们只需要最小化该损失函数，就能拿到最优 w 。均方误差对应了欧氏距离。基于均方误差最小化来求解的方法叫做”最小二
乘法”。在线性回归中，最小二乘法就是试图找到一条直线，使得所有样本到直线上的欧式距离之和最小。
使得 J(w)=12m∑mi=1(f(xi)−yi)2 最小化来求解 w 叫做线性回归最小二乘的参数估计。这里 J(w) 是关于 w 的凸函数，当它
关于 w 的导数为零时，得到 w 的最优解。
对于这种凸函数，只有一个最低点。除了直接求导的方式，当参数非常非常多时，还有一种方式，在计算机的世界里，可以逐步的去
逼近最低点。我们要做的是以最快的方式去逼近最低点。这里，我们就用到了梯度下降。梯度下降，就是在每一点，去对每一个 w 求偏
导，确定梯度(前进的方向)，每次前进一点(步长)，去逼近最低点。当此次和上一次前进的差值达到设定的阈值或达到迭代次数，就停止,
取此时的w为最接近的 w 。这个过程类似于下山，每前进一步，按最陡的方向下山是最快的；梯度的作用就是帮我们找到这个陡的方向。
欠拟合：特征太少，不足以描述样本。
过拟合：特征太多，对样本描述过度。不具有一般性。此时可以用L1或L2正则化给他加一个惩罚项。MLLib中的线性回归没有使用正
则化方法。
(1)给你自变量广告费用(x)，让你预测曝光次数(y)。
(2)根据身高预测体重。
(3)根据面积、卧室数预测房价。
