机器学习概念澄清（线性回归）
Machine learning concepts clarification (linear regression)
我是机器学习的新手，在观看了一些视频后我想确保我理解了一些概念：
当涉及到线性回归时，我们可以使用以下几种方法找到截距和系数，例如：梯度下降法、正态方程和最小二乘法。
然后，为了衡量我们从上述步骤推导出的假设函数的准确性，我们可以使用 R-Square 或 Square Error 等方法。
当谈到正则化时——我们可以使用岭回归（例如）来找到系数和截距，此外还可以帮助我们消除过度拟合。
应用岭回归后，当我们得到一些系数为 0 时，这仅意味着它们不适合我们的数据 "that crucial"，因此我们可以简单地将它们从我们的假设函数中删除。
这些说法都正确吗？
谢谢！
全部正确。对你的措辞稍作修改：
当我们得到一些系数为 0 时，这仅意味着它们不适合我们的数据 "that crucial"，因此我们可以简单地从我们的假设中删除 相应的特征 函数。
我是机器学习的新手，在观看了一些视频后我想确保我理解了一些概念：
当涉及到线性回归时，我们可以使用以下几种方法找到截距和系数，例如：梯度下降法、正态方程和最小二乘法。
然后，为了衡量我们从上述步骤推导出的假设函数的准确性，我们可以使用 R-Square 或 Square Error 等方法。
当谈到正则化时——我们可以使用岭回归（例如）来找到系数和截距，此外还可以帮助我们消除过度拟合。 应用岭回归后，当我们得到一些系数为 0 时，这仅意味着它们不适合我们的数据 "that crucial"，因此我们可以简单地将它们从我们的假设函数中删除。
这些说法都正确吗？ 谢谢！
全部正确。对你的措辞稍作修改：
当我们得到一些系数为 0 时，这仅意味着它们不适合我们的数据 "that crucial"，因此我们可以简单地从我们的假设中删除 相应的特征 函数。