版权声明：本文为博主原创文章，转载或者引用请务必注明作者和出处，谢谢！
线性回归：训练数据中特征是单个，但特征值可以是多个
y=wx+b (w: 是单个值）
多元线性回归：训练数据中特征数量是多个
y=W1X1+W2X2+W3X3+...+b
或表示为：
y=Wx+b(W:w1,w2,w3.....组成的向量的转置）
模型训练为的就是确定参数W的取值：
但是，当测试数据中，特征数量比样本数还多的多的时候，可能产生多组解（解线性方程组的时候，因变量过多，则有可能解出多组解），多组解如何选择呢？取决余算法的归纳偏好，所有就有了正则化。
正则化项分：L1范数和L2范数
在求损失函数：均分误差的最小值时+正则化项 =========》 进而可以降低过拟合的风险
L1 L2都可以降低过拟合风险，但L1有个额外的优点：更容易获得稀疏解，就是求得的W向量中会有更少的非零值
有了稀疏解有什么好处呢？
它表示了你训练时的所有特征并没有都用到你得到的模型中，仅有W(表示：向量)对应的非零值的特征才出现在最终模型中=======》这就起到了特征选择的作用（也就降低了过拟合的风险）