线性回归

线性回归是一种较为简单，但十分重要的机器学习方法。掌握线性的原理及求解方法，是深入了解线性回归的基本要求。除此之外，线性回归也是监督学习回归部分的基石。

前言

笔者在用 Jekyll 搭建个人博客时踩了很多的坑，最后发现了一款不错的主题 jekyll-theme-next，但网上关于 Jekyll 版的 Next 主题优化教程少之又少，于是就决定自己写一篇以供参考。

本文仅讲述 Next (Jekyll) 主题的深度优化操作，关于主题的基础配置请移步官方文档。

本文将详细讲解如何快速搭建 GitHub Pages 博客页面

关于博客主题，博客信息更改，上传文章等将会在 一站式搭建 GitHub Pages 博客 (二) 中进行详细讲解

在上篇【Python 排序算法】—— 基本排序算法中，介绍的 3 中排序算法都拥有 $O(n^2)$ 的运行时间。这些排序算法还有几种变体，其中的稍微快一些。但是，在最坏的情况和平均情况下，它们的性能还是 $O(n^2)$。然而，我们可以利用一些复杂度为 $O(nlogn)$ 的更好的算法。这些更好的算法的秘诀就是，采用分而治之$(divide-and-conquer)$的策略。也就是说，每一个算法都找了一种方法，将列表分解为更小的子列表。随后，这些子列表在递归地排序。理想情况下，如果这些子列表的复杂度为 $log(n)$，而重新排列每一个子列表中的数据所需的工作量为 $n$，那么，这样的排序算法总的复杂度就是 $O(nlogn)$。

​ 在讲解基础的排序算法之前，先来介绍排序算法经常会用到的 $ swap $ 函数——用来交换列表中的两项的位置