Можно ли найти параметры линейной регрессии аналитически, а не градиентным спуском?

Да, параметры линейной регрессии можно найти аналитически с помощью метода наименьших квадратов. Для модели ( y = X\beta + \varepsilon ), где (X) — матрица признаков, (y) — вектор целевых значений, параметры (\beta) находятся решением уравнения:

[ \beta = (X^T X)^{-1} X^T y ]

Этот метод даёт точное решение при условии, что матрица (X^T X) обратима. Градиентный спуск используется, когда размер данных очень большой или матрица необратима, либо для более сложных моделей.