机器学习个人作业：回归分析

本作业计划利用机器学习多元回归模型对伦敦地区2018年和2019年共享单车在不同季节和环境下的使用次数进行分析，尝试寻找出影响单车使用情况的因素。
数据项如下，数据量共包含730条记录。

instant	id	自变量
atemp	体感温度	自变量x1
hum	湿度	自变量x2
windspeed	风速	自变量x3
cnt	当日共享单车使用数	因变量y

2 说明选用优化方法 （2分）

选择梯度下降法 ，梯度下降法是一种优化算法，用于最小化某个损失函数的值。在机器学习和深度学习等领域，梯度下降法是最常用的算法之一，因为它具有以下好处：

可以求解大规模的问题：梯度下降法可以应用于大规模数据集的问题，因为它的计算复杂度是线性的。

通用性强：梯度下降法不仅可以用于线性回归和逻辑回归等传统机器学习算法，还可以用于深度学习中的神经网络模型。

可以找到全局最优解：如果损失函数是凸函数，则梯度下降法可以找到全局最优解。

梯度下降法是迭代算法：梯度下降法是一种迭代算法，每次迭代可以得到一个更优的解，直到收敛为止。因此，它可以根据需要进行任意数量的迭代，直到达到所需的精度。

支持在线学习：梯度下降法可以使用在线学习，这意味着可以动态地添加新的数据，而不需要重新训练整个模型。