1 回归（Regression）
回归的理念大概是：通过建模来了解观测量和特征值之间的关系，模拟观测值如何随着特征值的变化而变化
在本文中我们使用的例子是房价预测。
2 线性回归（Linear regression modeling）
我们可以通过线性回归模型，拟合出房屋面积与价格之间的关系
有一种常用的拟合方法：通过取残差平方和（RSS）的最小值来得到参数
选取一次函数：
得到最后的结果
我们还可以选取二次函数、三次函数、…、十三次函数、十四次函数…
我们发现阶数越高，拟合后的 RSS 越小，但并不是其效果就越好，在这个过程中会发生过拟合
3 评估回归模型（Evaluating regression modeling）
为了解决上述问题，我们把数据分为 2 部分，一部分用来进行拟合（训练集），另一部分用来评价拟合的效果（测试集）
Simulate predictions（模拟预测）
- Remove some houses
- Fit model on remaining
- Predict heldout houses
Training error（训练损失）：
训练集的残差平方和（RSS）
Test error（测试损失）：
测试集的 RSS
然后我们画出 Training error 和 Test error 随着阶数变化的曲线。可以看出，Training error 随着阶数的增大而减小，一直到趋近 0；但 Test error 却不是。
4 预测房价
代码在这里