一元或多元線性迴歸：
特徵矩陣X點乘權重矩陣W後，生成了對應的預測值Y’，通過最小二乘法或者梯度下降法（對W求導）,不斷對比預測值Y’和真實值Y的誤差值LOSS，調整W，使得LOSS值最小。
多項式迴歸（非線性迴歸）：
和一元或多元線性迴歸類似，不過X是先經過一定的特徵處理，在保留原特徵的同時，根據原特徵新增部分的特徵（x的n次方）。由於神經元之間傳遞是線性的，非線性的傳遞需要由激活函數去實現。
激活函數的作用：
解決我們日常生活中不能用線性方程概括的問題。
假設面對分類問題，預測值Y’無法直接通過X點乘權重矩陣W直接得到，再X點乘權重矩陣W後再經過特定的激活函數，生成具備一定特徵的結果值,這裏設爲K，K再經過一定的判斷後，就可以得到預測值Y’。例如：sigmoid函數，把XW轉爲0到1之間的數，然後可以自定義判斷，比如大於0.5爲A類，小於或等於0.5爲B類。
