在之前已介绍了线性回归的模型算法，那么有了模型之后，如何去评估这个模型的效果究竟是好还是差呢？而如果得到一个效果较好的模型又如何去将其封装，方便他人使用呢？这需要具备回归模型的评估与封装的知识。

了解了机器学习的基础知识后我们便正式进入机器学习的实践领域，通过实践来了解机器学习到底都在做些什么，首先要进行的一项重要工作便是数据预处理。日常生活中的数据有文字、图像、音频等多种形式，但熟悉计算机的同学都知道它们在计算机中会以以后在机器学习中最常接触的便是“一行一样本、一列一特征”的数据样本矩阵。一般情况下利用python的sklearn库来解决数据预处理、构建机器学习模型包括模型评估的问题，所

第一个要讲的机器学习算法便是线性回归，从此模型入手便于我们很快的熟悉机器学习的流程，便于以后对其他算法甚至是深度学习模型的掌握。什么是线性回归？回归问题在前文曾提到过，是指利用机器学习的模型算法找出一组数据输入和输出之间的关系，输出是连续的数据那么这个问题便是回归问题，而所谓线性回归，即是使用线性数学模型解决生活中回归预测问题。即找到一个最优秀的线性模型y=f(x)表达样本数据特征之间的规律，从而

第一个要讲的机器学习算法便是线性回归，从此模型入手便于我们很快的熟悉机器学习的流程，便于以后对其他算法甚至是深度学习模型的掌握。什么是线性回归？回归问题在前文曾提到过，是指利用机器学习的模型算法找出一组数据输入和输出之间的关系，输出是连续的数据那么这个问题便是回归问题，而所谓线性回归，即是使用线性数学模型解决生活中回归预测问题。即找到一个最优秀的线性模型y=f(x)表达样本数据特征之间的规律，从而

在之前已介绍了线性回归的模型算法，那么有了模型之后，如何去评估这个模型的效果究竟是好还是差呢？而如果得到一个效果较好的模型又如何去将其封装，方便他人使用呢？这需要具备回归模型的评估与封装的知识。

了解了机器学习的基础知识后我们便正式进入机器学习的实践领域，通过实践来了解机器学习到底都在做些什么，首先要进行的一项重要工作便是数据预处理。日常生活中的数据有文字、图像、音频等多种形式，但熟悉计算机的同学都知道它们在计算机中会以以后在机器学习中最常接触的便是“一行一样本、一列一特征”的数据样本矩阵。一般情况下利用python的sklearn库来解决数据预处理、构建机器学习模型包括模型评估的问题，所

想要在Android设备上运行c程序可执行文件，可采用一个方法就是使用NDK编译，很多时候要比gcc编译更适合，这里我采用的是imx6q的开发板上面装载了自己编写的Android6.0.1镜像，在Ubuntu64位系统上采用NDK编译。

通过这些步骤，可以完全卸载Ollama及其相关组件，确保系统干净整洁。