将（1）式转化为：ε(i) = y(i) - θTx(i) ，即：误差=实际值-预测值，然后带入高斯分布函数（2）式，就将误差项都替换为了x,y。
p(x;θ)代表：在给定θ的情况下x的取值；
p(y|x;θ)代表：在给定x的情况下，还给定某种参数θ的情况下，y的概率密度函数。
由于x和θ是一个定值，所以θTx(i) 可以理解为一个定值C。
5、似然函数似然函数是一种关于模型中参数的函数，用来表示模型参数中的似然性。
已知样本数据x(x1,x2,...,xn)组合，要使用什么样的参数θ和样本数据组合后，可以恰好得到真实值？
要让误差项越小越好，则要让似然函数越大越好，由此将问题转为求L(θ)的最大值。
（1）引入似然函数引入似然函数如下：（Π从...到...的积）
连续型变量相互独立的充要条件是联合概率密度等于边缘概率密度的乘积。因此变量符合独立同分布前提下，联合概率密度等于边缘概率密度的乘积成立。
p(y(i) | x(i);θ)：什么样的x和θ组合完后，能成为y的可能性越大越好。m项的乘积非常难解，难以估计，因此要想办法转为加法。
对数似然：乘法难解，加法相对容易，对数里面乘法可以转换成加法，因此对式子左右两边取对数。
log(AB) = logA logB
首先，取对数不影响函数的单调性，保证输入对应的概率的最大最小值对应似然函数的最值。
其次，减少计算量，比如联合概率的连乘会变成加法问题，指数亦可。
最后，概率的连乘将会变成一个很小的值，可能会引起浮点数下溢，尤其是当数据集很大的时候，联合概率会趋向于0，非常不利于之后的计算。依据ln曲线可知，很小的概率（越接近0）经过对数转换会转变为较大的负数，解决下溢问题。
取对数虽然会改变极值，但不会改变极值点。任务依然是求极值，因此L(θ)和logL(θ)两者是等价的。
6、参数求解（1）公式继续展开化简继续处理：
，由于log A·B = logA logB，因此可以将累乘转换为累加：
