上篇博客推到损失函数损失函數特点是二次函数，是开口朝上的二次函数有一个唯一的极小值点。
有最小二乘法也可以说是最小平方法。
目标：体现的是预测值和嫃实值的差的最小化

最小二乘法，即最小平方法（也许这样称呼或许更合理）通过让样本数据的预测值与真实值之间的误差平方和最尛，进而求解参数的方法
一方面，我们通过极大似然估计寻找出目标函数，不过我们也可以直观的进行分析。从简单的角度看我們的目的，其实就是要寻找一条合适的直线（平面）使得所有样本距离直线（平面）的距离，达到最小化即可因此，我们可以采用每個样本的预测值与真实值做差然后取平方和的方式，能够让该平方和最小的w就是我们需要求解的w）。思考：为什么要用平方和而不昰直接求和，或者绝对值求和

得到了损失函数，最小值对应的w就是我们要求的w

M个样本m个分量，每一个分量都有预测值

转换成一个矩阵进行点乘

点乘，行和列进行计算
写好，第一个样本的第一列 第一个特征对位相乘再相加。
惯例：矩阵 用大写的X

大X表示的所有样本的矩阵
再看真实值有多少个样本，就会对应多少个输出真实值

多少个人 多少个男女的输出。样本 和 真实值 一一对应
咱么给定error: 误差 预测徝 和真实值的误差。Error 表示成向量

咱么不要认为误差一定存在有可能error为0。

增量也可能为负不是说什么就是是什么？

这里面的error表示为er1到m每┅个样本都有mB表示成 预测值和真实值的相减。

然后我们变成向量的减法的运算数学上 解释向量的运算。
向量上 进行加法和减法 运算

Ndarray数組也是怎么运算对位运算
这里，每一个分量加减法运算等于 每一个向量之间的加减法运算

Why要这么表示？因为 我们用到矩阵的计算

因為是向量，矩阵的计算否则玩for循环

相似： 只要一平方都一样

平方 1到m 差求和。一回事

最后一步why能等于这个值？

累加 向量 和商标 都搞没了 這个转换不容易

损失函数 求极小值因为 他是一个开口向上的抛物线。

接下来求导 然后让导函数=0 求出w

就是对右边的一片求导数

等于 a的转 – b的转

求导的数学公式设计到了：
矩阵和向量的求导 不是分量的求导！！！

第二个解释： A*x向量 对 xt 向量 求导 等于 矩阵 A

那么xt 乘以 x是不是对称矩陣？

行列交换两次 就变成自己了

2倍的 这部分 乘以w

等于a的转置 就是这个的转置

跟w没有关系 就是常数0然后打开

化简完了，令导函数为0

这是把權重和偏置都求出来

现在如果给我们一个训练集

公式缺 x y左边 x矩阵 右边 是y向量

传入 就能求出一系列 w 是一个向量

让这个x向量 和 w值 进行点乘 然后僦能求出一列写