简介：稍微好一点
在上一节中，我们首先看了改善回归线的过程。 我们从一些数据开始，然后使用给定输入的形式简单的回归线$ \ hat {y} = mx + b $来预测输出。 最后，我们通过计算回归线预测的输出与实际值之间的差异来测量回归线的准确性。
我们通过对所有误差进行平方（以消除负值）并将这些平方相加来得出残差平方和（RSS），从而量化回归线的准确性。 有了描述直线精度（或拟合优度）的数字，我们通过调整y截距值$ b $或斜率值$ m $，然后比较这些RSS值，反复尝试新的回归线。 通过找
在基于RSS指纹集的定位算法中，相似样本集的质量，是影响定位精度的一个关键性因素；而待定位点的RSS向量，则是影响相似样本点质量的一个重要元素。通过对D-RSS分布规律分析，提出了RSS典型性的概念，并且提出了基于RSS典型性判定的室内定位算法。该算法根据RSS的典型性特征与有效的相似样本点之间的关系，提出了 RSS 典型性的辨别方法以及与典型性相关的动态 K 值。通过实验证明，该算法不仅能完整地找出有效的相似样本点，排除非实质性相似点的干扰，而且在不同的定位场景中具有较强的适应性，同时具有较高
