线性回归试图通过将线性方程拟合到观测数据来模拟两个变量之间的关系。 一个变量被认为是解释变量，另一个被认为是因变量。 例如，建模者可能希望使用线性回归模型将个体的体重与其身高相关联。 在尝试将线性模型拟合到观察数据之前，建模者应该首先确定感兴趣的变量之间是否存在关系。 这并不一定意味着一个变量会导致另一个变量（例如，更高的 SAT 分数不会导致更高的大学成绩），但这两个变量之间存在某种显着关联。 散点图是确定两个变量之间关系强度的有用工具。 如果建议的解释变量和因变量之间似乎没有关联（即，散点图没有表明任何增加或减少的趋势），那么对数据拟合线性回归模型可能不会提供有用的模型。 两个变量之间关联的一个有价值的数值度量是相关系数，它是一个介于 -1 和 1 之间的值，表示两个变量的观测数据的关联强度。 线性回归线具有形式为 Y = a + bX 的方程，其中 X 是解释变量，Y 是因变量。

VS 内置函数注释中文包，英语不好的同学的福音，内含说明，方便好用

python内置函数思维导图。

本文讲解了基于三点和两点的人脸对齐，使用了matlab的内置函数。

谭浩强老师c++课本第一章内置函数例题，c++内置函数使用用例。

python 3.6 library ，详细介绍了每个内置函数的解释以及用法示例。