关于#线性回归#的问题，如何解决？

有关于线性回归的问题，第二问第三问要怎么完成（可以的话讲解一下）？

你好，我是有问必答小助手，非常抱歉，本次您提出的有问必答问题，技术专家团超时未为您做出解答

本次提问扣除的有问必答次数，已经为您补发到账户，我们后续会持续优化，扩大我们的服务范围，为您带来更好地服务。

第二问，按我理解，就是给一个实际例子，去推导一下梯度下降公式？最后是条件，有一个初始值，还有一个学习率，推导过程可以参考：

梯度下降算法手推简单实例----10分钟看完秒懂系列，附上代码更清晰易懂_锦鲤AI幸运的博客-CSDN博客_手推梯度下降梯度下降算法，手推梯度下降算法，线性回归，正向传播，反向传播

https://blog.csdn.net/qq_37700257/article/details/127054252

第三问，如果选用逻辑回归，做多分类，其实它默认的策略就已经是one vs all了，即参数ovr，这个是多分类默认的一个参数，具体比如说调sklearn的时候，有解释如下：

在多类情况下，如果"multi_class" 选项设置为"ovr" ，则训练算法使用one vs rest （ovr ）方案；如果"multi_class" 选项设置为" 多项式" ，则使用交叉熵损失。（目前，" 多项式" 选项仅由"lbfgs" 、"sag" 、"saga" 和"newton-cg" 解算器支持。）

第二问，是关于梯度下降算法(Gradient descent)，接触不多，只能提供参考链接：https://blog.csdn.net/m0_63794226/article/details/125289189?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_baidulandingword~default-0-125289189-blog-106973134.pc_relevant_3mothn_strategy_recovery&spm=1001.2101.3001.4242.1&utm_relevant_index=3
【博文讲解详细，注解清晰】