最小二乘法，说白了其实就是解决线性回归问题的一个算法。这个算法最早是由高斯和勒让德分别独立发现的，也是当今十分常见的线性拟合算法，并不复杂。
我们常用的最小二乘法有两种，一种是普通方程表示的简单线性拟合问题，另一种是矩阵表示的高维度的线性拟合问题。
普通最小二乘法
他解决的基本问题其实就是给定一些数对(x1,y1),(x2,y2),(x3,y3),....，让你求出参数β0,β1，使得直线y=β0 β1x能够最好的拟合这个数据集，也就是使得他的平方损失函数取到最小值，即
最小。
为了取得最小值，我们分别对beta_0,beta_1求偏导，并使之为０。
解得：
套用这个公式得到的参数beta_0,beta_1就是最好的拟合参数了。
矩阵最小二乘法
用矩阵表示的最小二乘法则更加方便，能够用非常简单的矩阵形式进行计算，而且能拟合多维度的线性方程。
对于线性回归，我们要做的事情其实可以近似等同于解线性方程AX=Y，其中A是mn的矩阵，X,Y是1m的矩阵。m是数据的对数，n是数据的维数加１(因为还有常数)，而且n应该小于m。
当然，这个方程是没有解得，不过我们可以通过数值运算计算出一个解，可以证明这个解就是平方损失函数最小的解。
解出的X就是线性回归函数的系数矩阵。
