在机器学习中，学习或者推断 属性 变量与相应 响应 变量或 目标 变量之间的 函数 关系，使得对于一个给定的属性（特征）集合，可以进行相应的预测。
例如，建立一个用户对物品的喜好预测模型。已知的数据中有用户信息（年龄，性别等），物品信息（种类，颜色等） ，以及用户对物品的喜好关系（例如 A用户喜好B物品）。在给定的用户和物品间（喜好关系未知），希望预测出用户对这个物品的喜好。
在此种情况下，建立一个 关于某个顾客以前买过物品的描述（属性） 和 该顾客最终是否喜好该产品（响应） 的模型。这个模型可以帮助我们预测顾客可能喜好的物品，并因此进行推荐。
一 线性建模
在属性与响应之间建立 线性 关系。
较为简单的线性关系，参数w0 和 w1是需要不断学习和训练的。
在这个直线中，w0为截距，w1为梯度。
1.1 例子，在MATLAB中以交互形式画出这个线性模型 （直线）
% %% PlotLine.m
% %% 定义x 输入
x = [-1 1 3];
%%
figure(1);hold off
fprintf('\n 按 (ctrl-c) 退出\n');
while 1
intercept = str2num(input('Enter intercept:','s'));
gradient = str2num(input('Enter gradient:','s'));
plot(x,intercept + gradient.*x);
hold all
fprintf('\n 直线： y = %g + %g x\n\n',intercept,gradient);
end
1.2 模型的评价方式
由w0 和 w1的一些值组成，这些值可以产生一条能尽可能与所有 （训练）数据点 接近 的直线。T为x下的真实值，t为x下的预测值。
平方差定义：
平方差越小，说明预测值和真实值的误差越小
这个表达称为 平方损失函数 （squard loss function）
考虑整个数据集上的 平均损失
w0和w1的最小值，及求上式的最小值
1.3 最小二乘法
将上式展开并求偏导
注： 
字母上的横线为平均值的含义
1.4 向量与矩阵的引入
当多个属性集时，可能需要多个参数
例如，C1，C2，C3，C4
当属性与参数较多时，使用向量和矩阵来描述。
x为输入值（属性）的矩阵，为参数向量
1.5 matlab例子，画出几个点的线性建模直线
<span style="color:#ff0000;">%% fitlinear.m
% From A First Course in Machine Learning, Chapter 1.
% Simon Rogers, 31/10/11 [[email protected]]</span>
clear all;close all;
%% Define the data (Table 1.1)
% Change these to use a different dataset
x = [1;3;5];
t = [4.8;11.1;17.2];
N = length(x); % 3
%% Compute the various averages required
%
m_x = sum(x)/N;
%%
%
%
m_t = sum(t)/N;
%%
%
m_xt = sum(t.*x)/N;
%%
%
m_xx = sum(x.*x)/N;
%% Compute w1 (gradient) (Equation 1.10)
w_1 = (m_xt - m_x*m_t)/(m_xx - m_x^2);
%% Compute w0 (intercept) (Equation 1.8)
w_0 = m_t - w_1*m_x;
%% Plot the data and linear fit
figure(1);hold off
plot(x,t,'bo','markersize',10,'linewidth',2)
xplot = [0 6];
xlim(xplot)
hold on
plot(xplot,w_0+w_1*xplot,'r','linewidth',2)
xlabel('x');
ylabel('t');
以上代码的结果图：
参考文献：
First course in machine learning
机器学习（中文版）