我们应该理解的第一件事，某事的结论不是基于一个论点。
这是来自通信理论，即每个人都建立一个知识框架（理解结论），其中框架由许多知识/信息构成）。
后果是我们不能在数学中使用单一线性回归来创建 ML/DL 系统。
至少我们应该使用两个不同的变量来做一个子结论。如果我们推动使用单变量和线性回归 (y=mx+c)。它类似于推计算机预测精度低的东西。你选择什么优化方法......它仍然是低精度......，为什么......因为如果你在现实生活中使用线性回归，它类似于基于数据预测“习惯”，而不是计算真实条件。
这意味着....，我们应该使用多元线性回归 (y=m1x1+m2x2+ ... + c) 来计算任何东西，以使计算机理解/得出结论/创建回归模型。但是，不像它那么简单。由于计算机试图从具有多个字符/变量的数据中得出结论......您必须对数据和结论进行分类。
例如，尝试让计算机理解 phitagoras。
我们知道 phitagoras 公式是c=((a^2)+(b^2))^(1/2)，我们希望我们的计算机可以从两个输入值（a 和 b）中预测 phitagoras 侧（c）。所以要做到这一点，我们应该建立一个模型或一个多线性回归公式的 phitagoras。
第 1 步当然要制作 phitagoras 的多字符数据。
这是一个例子
a b c
3 4 5
8 6 10
3 14 etc..., try put 10 until 20 data
尝试用多元回归得出回归公式的结论，以根据a和b值预测c。
您会发现有些数据的某些值具有较高的准确度（高于 98%），而有些值则不准确（低于 90%）。例如 a=3 和 b=14 或 b=15，将给出低准确度结果（低于 90%）。
所以你必须制作和优化......但是如何去做......
我知道很多优化方法，但是我发现手动方式，如果我排除给出低准确度结果的数据并将它们放在不同的组中，然后重新计算排除的数据组，我会得到更显着的结果.再做一次……直到你达到你想要的准确度目标。
具有新回归的每组数据都是一个新类。
意味着我将根据我输入的数据进行多个多元回归（回归来自每组数据/类），并且准确度非常高，99% - 99.99%。
对于多个类，回归具有作为类的“标签”的功能，这就是在自动化计算的背景下发生的情况。但是对于许多模块，模块的用户，感觉把'string'对象作为标签，但事实是，字符串对象绑定到一个作为标签构造的回归。
使用一些条件参数，您可以用最少的数据序列获得良好的机器学习。
在更进一步之前在 excel / libreoffice 上尝试一下...
尝试按照video 中的教程进行操作
并用易于在 excel 中构建的简单数据来实现它，例如毕达哥拉斯。
所以答案是肯定的......多元回归是优化的最佳方法。