( 模型具体计算过程说明：参数向量的转置与某个样本列向量相乘，或者用样本列项量的转置与参数向量相乘，之后在加上偏置b，得到预测值)
即：根据已知的数据集T来计算参数
在很多讲解机器学习的教程中，这一步就直接给出用平方损失函数作为模型优化目标，如下所示：
给定样本：
其预测值为：
在训练集T上，模型的损失函数为：
我们的目标是损失函数最小化，即：
然后就使用梯度下降法求解上述最优化问题的数值解。(有关梯度下降法，参见第4节)
我们在这里就要深扒一下，为什么使用平方损失函数，在数学基础上找到使用平方损失函数的依据。
对于每个样本有如下误差分析：
参数向量的转置在上文“ 模型具体计算过程说明”中已介绍；此外，我们为了方便计算，我们可以把偏置当作一个特殊权重，且每一个样本在这一维上的特征值都为1，故上式可以简化为：
其中，在概率统计学中，绝大多数的误差可以看作是独立并且具有相同分布，并且服从均值为0，方差σ2的高斯分布，则有：
从而可以得到：
这样，我们对于样本集中的所有样本，就可以得到似然函数，即：
似然可以解释为：我们取什么样的参数与样本进行组合之后，得到的恰好是真实值。而上式就是这种情况在样本集上的概率函数。因为假设每个样本之间是不相关的，即独立同分布，所以我们需要把每个样本此情况下的概率函数累乘。
根据我们的模型预期，我们当然希望这种情况的概率越大越好。也就是说，能使出现这种情况的概率最大的参数向量，就是我们所要求得的参数估计值。这在数学上叫作“最大似然估计”。在概率学中，似然本质上是条件概率。(这里需要理解透彻，后续章节会讲到GMM(混合高斯模型)中，涉及到参数先验、后验、以及似然之间的关系，会进一步详细解释。)
因为计算机系统处理加法要比处理乘法容易得多，所以我们很有必要将似然通过对数乘法法则，转换为对数似然，即有：
我们对上式的对数似然进行化简，可以得到：