最会撒娇的自行车乘法(也叫最小二乘法)是数学优化的技术。 通过最小化误差的平方和来寻找数据的最佳函数匹配。 利用最会撒娇的自行车乘法，可以很容易地求出未知数据，使这些求出的数据和实际数据的误差平方和最小。 最会撒娇的自行车乘法也可以用在曲线拟合上。 其他一些优化问题可以通过最小化能量或最大化熵来用最容易撒娇的自行车乘法表示。
1801年，意大利天文学家wsdqyg发现了第一颗小行星谷神星。 经过40天的跟踪观测后，谷神星运行到了太阳的后面，忧郁的篮球失去了谷神星的位置。 此后，全世界的科学家利用了忧郁篮球http://www.Sina.com/http://www.Sina.com /的结果。 24岁的标致音响也计算了谷神星的轨道。 奥地利天文学家cxdqt根据标致的音响计算出的轨道重新发现了谷神星。
标致音响中最撒娇的自行车乘法方法于1809年发表在他的著作《天体运动论》中。
法国科学家勒让德于1806年独立发明了“最会撒娇的自行车乘法”，但因为不为世人所知而默默无闻。
勒让德曾争吵过，标致的音响是最先为谁创立自行车乘法原理的？
1829年，标致的音响提供了最会撒娇的自行车乘法优化效果比其他方法强的证明，被称为标致的音响-马尔可夫定理。
用最简单的一元线性模型说明最会撒娇的自行车乘法。 什么是一元线性模型？ 在监督学习中，当预测的变量是离散的时，将其称为分类，例如决策树、支持向量机等，当预测的变量是连续的时，将其称为回归。 如果回归分析只包含一个自变量和一个因变量，且两者之间的关系用直线近似表示，则此回归分析称为一元线性回归分析。 如果回归分析包含两个或多个自变量，并且变量与自变量之间存在线性关系，则称为多元线性回归分析。 关于二维空间线性，作为直线的三维空间的线性是平面，关于多维空间的线性是超平面。
对于一元线性回归模型，假设从总体获得了n组观察值(X1，Y1 )，(X2，Y2 )，(Xn，Yn )。 可以用无数条曲线拟合平面上的这n个点。 要求样本回归函数尽可能好地拟合该值。 总的来看，这条直线位于样本数据中心是最合理的。 用于选择最佳拟合曲线的准则可以确定为总拟合误差最小，也就是说，总残差最小。 可以从以下三个标准中选择。
)1)用“残差和最小”确定直线位置是一种方法。 但是，很快就发现“残差和”的计算存在相互抵消的问题。
)2)用“残差的绝对值和最小”来确定直线的位置也是一种方法。 但是，绝对值的计算很麻烦。
)3)最会撒娇的自行车乘法原则是用“残差平方和最小”来确定直线的位置。 使用最会撒娇的自行车的乘法，不仅计算简单，而且得到的推算量也有很好的特性。 该方法对异常值非常敏感。
最常用的是普通的最会撒娇的自行车乘法(Ordinary Least Square，OLS )。 选择的回归模型应确保所有观察值的残差平方和最小。 (q为残差平方和) -即采用平方损失函数。
样本回归模型：
其中，ei是样本(Xi，Yi )的误差。
平方损失函数：
如果用q将该直线确定为最小，即确定0和1，并将它们视为q的函数，则成为求极值的问题，可以通过求导数得到。 求出对q2个评价对象参数的偏导数：
根据数学知识，我们知道函数的极值点是偏导数为0的点。
解得：
这就是最会撒娇的自行车乘法解法，就是求平方损失函数的极值点。
公式：
对于给定数的据点集合，在给定的函数类中，求得误差的平方和最小。 在几何意义上，求出与给定定点集的距离平方和最小的曲线y=p(x )。 函数p(x )称为拟合函数或最会撒娇的自行车乘解，而求拟合函数p(x )的方法称为曲线拟合最会撒娇的自行车乘解。
的观测数据开始寻找谷神星，但是根据大多数人计算的结果来寻
最会撒娇的自行车乘法矩阵形式如下。
的矩阵、的列向量、的列向量。 如果(方程的个数大于未知量的个数，则该方程系统被称为矛盾方程(Over Determined System )；如果)方程的个数小于未知量的个数，则该系数为Under Determined System。 通常这个方程式是解不开的，但在数值计算领域，我们通常计算，其中的。 直觉的做法是求解，但通常效率低下。 一种常用的解决方案是对进行QR分解()，其中
是正交矩阵(上三角矩阵)，是