Bayesian Linear Regression: 示例程序展示数据建模中的（正态）线性回归与贝叶斯线性回归

简介：
本示例程序演示了如何在数据建模中应用(正态)线性回归及贝叶斯线性回归，通过对比分析帮助理解两者差异。 贝叶斯线性回归通过正常线性回归与贝叶斯线性回归对数据进行建模的示例程序，并展示图表以比较这两种方法。环境为Python 2.7.6，使用Matplotlib绘制图形：绿色表示正态线性回归结果；蓝色则代表贝叶斯线性回归的结果。 逻辑功能如下： - 使用高斯分布作为基函数。 - 假定s=0.1，并设定c_i=[0.0, 0.1,..., 1.0]。 对于(1)正态线性回归，欧米茄的值通过方程求解； 而对于(2)贝叶斯线性回归，后验分布呈现为高斯形式，最可能的数值由Mu_N计算得出。 在此过程中假设alpha=0.1和beta=9.0。Phi矩阵表示如下： - 使用numpy.linalg.solve函数求解线性矩阵方程， - 采用numpy.dot进行标量积、内积运算。