TFIDF的权重计算公式为TFIDF = TF * IDF这种权重计算方法有助于评估一个词在文档中的重要性基于统计的权重计算在一些统计模型中，权重可能通过回归分析方差分析等统计方法计算得出例如，在多元线性回归中，每个自变量特征的权重系数可以通过最小二乘法等算法求解这些权重反映了。
线性回归主要用于预测连续型数据，如房价我们通过寻找影响目标变量例如房价的若干因素，并为每个因素赋予权重，建立预测模型公式表示为\ Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + + \beta_nX_n + \epsilon \其中，\Y\ 是目标变量，\X_1， X_2， ， X_n\。
y = β0 + β1x1 + β2x2 + + βn*xn + ε 多元线性回归 其中，y 是因变量，x1， x2， ， xn 是自变量，β0， β1， β2， ， βn 是回归系数也称为权重，ε 是误差项多元线性回归的目标是通过拟合数据，找到最优的回归系数，使得模型能够最好地解释自变量与因变。
1 模型构建 多变量线性回归是在单变量线性回归的基础上，将特征扩展到多个模型公式为$Yi = b0 + b1x1i + b2x2i + hellip + bnxni$ 其中，$Yi$ 是第i个样本的预测值，$b0$ 是截距项，$b1$ 至 $bn$ 是每个特征的权重，$x1。
线性回归Linear Regression算法详解线性回归算法作为线性模型的核心，其基本原理是构建线性假设函数，通过训练调整权重参数，以实现对数据的预测首先，线性模型构建基于特征的线性组合，公式表示为公式，其中公式是权重，公式是特征权重代表特征的重要性，例如，假设公式比公式对预测结果影。
当λ为0时，即为原始的正规方程通过增加λ，可以防止过拟合，并解决矩阵不可逆的问题此外，梯度下降法是一种迭代优化算法，通过更新参数w，逐渐减小损失函数的值在实际应用中，梯度下降法更常用于大型数据集，因为它可以在线性时间内计算损失函数的梯度总结来说，线性回归通过最小化损失函数来找到。
应用贝叶斯推理的重点领域之一是贝叶斯线性模型我们首先简要回顾一下频率主义学派的线性回归方法，接着介绍贝叶斯推断，并试着应用于简单的数据集我们从频率主义线性回归出发，它假设因变量y是权重乘以一组自变量x的线性组合完整的公式还包含一个误差项以解释随机采样噪声线性回归的目标是从。
