.fit() 训练模型后使用transform() 和 直接.fit_transform() 有区别嘛？

为什么之前有段代码 先fit之后再transform，是因为如果使用.fit_transform() 相当于是两个不同数据集进行训练嘛会有不同么？

老师有没有功能实现迭代过程的可视化，描绘损失函数的收敛过程

这里不太理解，中心极限定理对多元线性回归有什么意义

老师可以解释一下什么是解释型语言，什么是编译型语言吗。本质区别是什么？

请问老师，对于一元线性回归的最大似然估计可不可以理解为：

模型的组测输出公式为y^= wx + b, 和真实值的误差是e，所以真实值y和预测值y^之间的关系可以定为：

y = y^ +e = wx +b +e。 所以当误差e最小时所对应的w和b就是我们需要的模型最佳参数。

因为e是符合正态分布，那么y也是符合正态分布的。所以y可以写成关于w和b的符合正态分布的概率密度公式。其中均值是wx + b，方差是一个常熟。那么对于一个样本，当这个概率密度最大的时候也就是wx + b越接近y的时候，我们模型的预测是最准确的，得到真实值的概率是最大的。此时所对应的w参数wb就是我们需要的模型参数。

因为我们所有样本都满足独立分布，所以总概率就可以写成所有样本的上述概率密度的累乘，我们只要最大化这个累乘后的概率密度，就可以找到对于所有数据样本来说最接近真实y概率的对应参数wb从而得到一个拟合不错的线性模型。

之后两边同取对数之后，因为以e为底的对数函数是单调递增的，所以最大化似然函数等同于最大化这个对数函数。因为化简后有一个常数项和一个有负号的关于wb的一项，那么问题就变成了最小化去掉负号的带有wb的这一项函数，从而就推导出来了我们的mse损失函数。

老师 为什么升维之后特征与标签就是线性关系呢？

老师 L1的最优解是在坐标轴上吗？

老师 如过损失函数的图像与L1正则化的图像这样交的话，最优解是图像的两个交点吗？此时，w1与w2都不为0？此时的最优解如何解释呢？

老师 那么最优解的话，是碗底的位置呢还是损失函数与正则化的图像的交点呢？

老师 在加上正则化项之后进行梯度下降的时候，是正则化项和损失函数（MSE）同时进行梯度下降，还是先损失函数进行梯度下降，之后正则化再进行梯度下降呢？

老师 对于L2来讲，theta0和theta1变小，那么对于MSE来说，下降的方向并不是碗底的方向，按照老师画的方向来讲，那么损失函数不是变大了吗？

老师 L1表示的菱形都可以成比例扩大呀，并不是只能交在离坐标轴近的地方呀

老师 zscore是标准归一化吗

老师 zscore标准化是什么标准化

老师 在计算梯度的时候，θ-α*gradient,gradient的值是取绝对值吗？