最近在學習數據分析線性回歸算法時，產生了很多疑問。作為初學者，我認為應該先從基本概念上進行一些深度理解。下面將我的一些思考總結如下：
線性回歸模型為：
（1）
其中ε是剩余誤差，假設它服從的是高斯分布，然后因此就將線性回歸模型和高斯模型聯合起來，獲取公式如下：
到這里我是完全沒看懂！
對於線性回歸我有4個疑問：
第一：看到的諸多線性回歸、邏輯回歸什么的，回歸到底是什么意思？
第二：這個ε剩余誤差又有什么樣的意義？
第三：為什么剩余誤差服從高斯分布（即正態分布），整個線性回歸模型就能寫成高斯分布模型？
第四：這里的線性到底指的是什么？
接下來，我將針對這四個問題談一談自己的理解。
1. 回歸指的是什么意思？
回歸，即將現有的數據向假設的模型擬合接近，還原真實的數據模式。
2. 如何理解ε剩余誤差？
這里不妨把（1）式進行合適的轉換：
（2）
這樣就更容易理解，也就是我們只簡單地用線性模型來擬合真是的變量間的關系，並不能達到完美的解釋。所以，ε就彌補了用模型難以解釋的那一部分，即模型外的未知因素的影響。
3. 為什么剩余誤差符合高斯分布，整個線性模型就符合高斯分布？
看公式（2）應該可以較容易理解，這是純粹的數學知識。
4. 這里的線性到底指的是什么？
關於線性模型中的線性有三種說法：
（1）變量和參數都是線性的；
（2）變量是線性的，但參數不是線性的；
（3）參數是線性的，但變量不是線性的。
而我們這里所說的線性模型主要是針對（3）而言的。所以只要參數是線性的這類問題，我們對變量無論是轉成指數、冪指數等任意一種函數形式，都可以用線性模型來解決問題，因為我們要學習的是這個參數向量，而變量值是確定的。