wiki頁面：最小平方法

詳細的內容就不在這裡贅述了，這裡依舊是介紹一點簡單的概念。

為什麼我們要提這個東西呢？因為需要稍微知道為什麼模型的結果無法那麼完美，而且我們在追求的東西只是一個近似值，近似值並非不好，因為是個有科學根據，數學驗證過出來的結果。

由圖可知，其實幾乎每個資料點，都不會剛剛好的出現在線上。

不是偶爾有誤差，而是大部分的時候結果都是有誤差，這個觀念可能要特別注意。

既然誤差不可避免，可以的話當然希望誤差越小越好，而誤差也不能只看一個單點，要把所有的點預測值和每個點的實際值，所總和出來的誤差再除以平均數量，就是損失函式的概念。

最小平方法是損失函式的其中一種方法，也是比較基本和好理解的概念。

如上圖，我們的點可能出現在線的右邊或者左邊，如果以線所在的位置為中心點，資料點有誤差，落在右邊為正數；資料點有誤差，落在左邊則為負數；那麼如此一來我們把所有誤差做加總的時候，就會發生正負相抵的狀況。

這樣的數學運算，會默默地抵銷實際上的誤差數字，並不是我們想要的，那麼把每個誤差值，無論正負都先乘以平方，所有的數字就變成一定會用正數做運算。

雖然知道數值其實是實際的平方倍，然後這也不失為一個評估用來預測的線，與實際值得落差有多大，因為原本的誤差越大，得到的平方數字當然也跟著越大，一但有辦法縮小誤差，平方出來的數字也就跟著越小囉。

所以訓練出來的模型，可以用一些數學的方法驗證可靠性程度，或者用某些方式評估模型的好壞，因此結果有所價值，但是要能夠完全精準的百分百達到零誤差的狀況，幾乎是不可能狀況。

理解模型的極限與適用性，不要有過度的期待，了解可以帶來的價值，畢竟有些事情單靠人腦難以企及，也許更有機會在我們這些未曾使用ML的團隊上，落地實用化並享受AI的好處。