# A Origem Secreta das Premissas da Regressão Linear que Nunca lhe Ensinaram

## Summary
Este artigo desconstrói as premissas fundamentais da regressão linear ao rastreá-las até suas origens estatísticas. Em vez de tratar essas premissas como regras arbitrárias, o conteúdo demonstra como elas emergem naturalmente do processo de Estimativa de Máxima Verossimilhança (MLE) e da premissa de ruído Gaussiano. Ele esclarece por que o Erro Quadrático Médio (MSE) é a função de perda matematicamente ideal e fornece uma estrutura clara para identificar e abordar violações como heterocedasticidade e multicolinearidade.

## Content
{log-loss} = - \sum_{i=1}^{N} y_{i} \cdot \log(\hat y_{i}) + (1-y_{i}) \cdot \log(1 - \hat y_{i}

---
Source: Kodawire (PT)