线性回归方程: Y=a*X+b

线性拟合 线性回归 | F(x) How to do ?

• 线性回归，是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。其表达形式为y = w'x+e，e为误差服从均值为0的正态分布。中文名 线性回归 外文名 linear regression
• 在统计学中，线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。
• 在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计。这些模型被叫做线性模型。最常用的线性回归建模是给定X值的y的条件均值是X的仿射函数。
• 线性回归是回归分析中第一种经过严格研究并在实际应用中广泛使用的类型。这是因为线性依赖于其未知参数的模型比非线性依赖于其位置参数的模型更容易拟合，而且产生的估计的统计特性也更容易确定。
• 一般来说，线性回归都可以通过最小二乘法求出其方程，可以计算出对于y=bx+a的直线。

数学函数多项式 | Introduce

• 由若干个单项式的和组成的代数式叫做多项式（减法中有：减一个数等于加上它的相反数）。多项式中每个单项式叫做多项式的项，这些单项式中的最高次数，就是这个多项式的次数。
• 多项式是简单的连续函数，它是平滑的，它的微分也必定是多项式。泰勒多项式的精神便在于以多项式逼近一个平滑函数，此外闭区间上的连续函数都可以写成多项式的均匀极限。
• 多项式有一个非常重要的特性，就是一个x值对应一个y值，两个相同的x对应的y必定相同，称之为可导函数。
• 正因为多项式一个x对应一个y这种特性，所以当拟合数据中存在两组数据x相同，但是y值不相同，这个时候无法使用多项式拟合，也得不到拟合答案。