还不是很会用ipad写笔记，没买类纸膜，字迹有点拉跨，请见谅本篇内容介绍内容为以线性回归模型为例子介绍连续型变量的预测，并介绍最小二乘法求损失函数的最小值方法，以及损失函数与评估指标的区别  作为本节重点学习对象，此处我们整体梳理下机器学习的一般建模流程：Step 1：提出基本模型  如本节中，我们尝试利用简单线性回归去捕捉一个简单数据集中的基本数据规律，这里的y=wx+by=wx+by=wx+b

1.准确率局限indexlabelsA-predictsB-predictspredicts_results110.80.61200.60.91300.20.40410.90.71510.90.61  如果是从准确率指标来看，两个模型在阈值为0.5的情况下，判别准确率都是80%（仅判错第二条样本），二者并无高下之分。但如果我们更加仔细的观察模型对各样本输出的概率欧安别结果，其实我们会发现模型A其实

1.准确率局限indexlabelsA-predictsB-predictspredicts_results110.80.61200.60.91300.20.40410.90.71510.90.61  如果是从准确率指标来看，两个模型在阈值为0.5的情况下，判别准确率都是80%（仅判错第二条样本），二者并无高下之分。但如果我们更加仔细的观察模型对各样本输出的概率欧安别结果，其实我们会发现模型A其实