Machine learning 线性回归背后的数学

我试图理解线性回归背后的数学，我在多个网站上验证了线性回归在OLS方法下工作，y=mx+c以获得最佳拟合线

所以为了计算截距和斜率，我们使用下面的公式（如果我没有错的话）

m=[（x-均值（x））（y-均值（y））]之和/[（x-均值（x））之和]

c=平均值（y）-b1（平均值（x））

因此，我们得到了x和c值，在上面的方程中代入，得到y预测值，并且可以预测新的x值

但我的疑问是什么时候使用“梯度下降”。我知道它也用于计算系数，只有这样，它通过找到局部极小值来减少成本函数

请帮我做这件事

这两个函数在python/R中是独立的吗

或者，线性回归在默认情况下适用于梯度下降（如果是这样，那么上述用于计算m和c值的公式何时适用）

---

这不是关于StackOverflow的主题，它是关于编程问题的。这更适合于，但无论如何，梯度下降是一种数值方法，用于解决普通最小二乘法解析估计的问题。梯度下降法不仅适用于线性回归，而且适用于各种优化问题