2L

np.newaxis
实际为None值，用于扩展坐标轴
例如
X = np.arange(9).reshape(3,3)
X.shape ----- (3,3)
X[0].shape ---- (3,) 这里只列表
如果要让x[0]进行矩阵运算还要reshape成(3,1)或者(1,3)
这时候可以扩展一个axis
X[None,:].shape ---- (1,3,3)
X[:,None].shape ---- (3,1,3) 相当于插入一个维度
:冒号自身代表一个坐标轴
np.tile
将给定的array按坐标轴进行重复repeat
参数array 和 reps
一般用在把一个列表变成多行的数据集
tile([1,2,3],(3,1)] -----
[ [ 1,2,3],
[1,2,3],
[1,2,3] ]

linear_model.LinearRegression
w0 + w1 x1 + w2 x2 + ... = y
最小化 ||Xw - y||2
其中w0 为截距 intercept_
其他为权值 coef_
调用fit函数拟合 ==== 参数 X[输入1，输入2] y[输出1 输出2]
调用predict函数预测 ==== 参数 X
np.mean( .. predict - real) ^2

np.dot
对于np.array类型来说
如果是1维，则是内积
如果是2维，则是矩阵相乘
其他见help
====================
LinearRegression用的是ordinary least squares，
Xw=y ---- w = (XT X)-1 XT y
如果X 的列是有线性相关性，那么 XT X 则不可逆（奇异） 后面造成结果对噪声敏感？？？（TODO）
另一种解释则是
由于w的取值没有限制，容易造成过拟合（模型复杂）
加上w的惩罚项就是为了使得部分的wi趋向0
？？理解：有一组数据，某两个特征f1，f2是线性相关的，那么通过f1就可以推出f2，自然不需要f2的干扰（f2的数据可能存在噪声）这个时候w2设为接近0的参数，使得其对最后的预测影响小。
这个时候适合使用ridge Regression 在最优化项中添加了正则化a||w||2，当a=0的时候和一般ordinary回归一样。
等价于 (XTX + lambda I)
称之为 岭回归（当数据特征线性相关时，除此以外也可以用PCA）
linear_model.Ridge (alpha = .5)
其他fit predict类似