比如用线性回归拟合工资$y$

$$y=200身高+100体重+500$$

如果模型中的回归系数200和100以及常数项500是根据最用平方误差对10000条数据拟合出来的，那么这就是机器学习。

如果模型中的系数是人为主观设定的，而不是通过优化算法从数据中学习到的，那就不是机器学习。

机器学习有时候更多体现在机器学习数据的过程，而非最终结果。

当然算啊。

机器学习就是给定一个目标函数，可以从数据中训练出模型的参数。

线性回归符合上面的要求，所以当然是啊！

这个问题倒是挺有意思的。

如果一个机器学习工程师说他的日常工作就是搞各种线性回归，总感觉有点怪怪的，似乎不完全像个机器学习工程师或者算法工程师。

但是如果他又告诉你，他的线性回归都是上亿的数据量，上万的特征，为了提高计算性能，自己用scala实现了各种流行的优化算法。这么一听，感觉的确又算是机器学习。

那要看怎么用，机器学习的本质在于学习、训练与预测，通过对样本数据的模拟，更好地预测未知数据集

因此在机器学习中，线性回归算是一种算法，但是更多的是怎么求出更好的参数，来使得预测效果或者误差率更小；

在统计学、计量经济学中，线性回归更多的是来寻找变量x、y之间的关系，当然预测也是一个方面

应该是吧。每个机器学习的教材里都会讲线性回归逻辑回归。

是 线性回归正规矩阵解在train set特征与样本很大时求逆计算量很大，所以一般都用梯度下降 一步步将损失函数减小，这符合大部分ML算法的本质，值得一提的是深度学习这种超复杂模型原理也是梯度下降。

机器学习要素是：人为设定数学模型（表示输入到输出的关系），目标函数（如何衡量模型输出的质量），学习策略（如何把目标函数的梯度负反馈到模型参数上）。其余学习过程由机器完成。对于线性回归，数学模型是线性模型，目标函数是MSE，学习策略可以是一步到位的最小二乘法，也可以是逐渐学习的梯度下降。深度学习中也是用反向传播（back propagation）把目标函数梯度反传到每个参数。

类比一下人学习过程：对一个英语单词大概有个初始映像（模型参数初值），对比词典知道错误（与目标的差），加强记忆错误的部分（反向学习）。