chencxiaobai的博客

简单理解逻辑回归多分类

逻辑回归不是回归，而是一种分类。逻辑回归（Logistic Regression）广泛应用在二分类问题中。虽然有“回归”二字，但实际上是一种线性模型，它用于预测一个事件发生的概率，核心是将线性回归的输出通过一个特定的函数（称为逻辑函数或Sigmoid函数）映射到0和1之间，从而进行分类。逻辑回归是一种比较简单的算法，在机器学习中，效果差不多的情况下，尽量选择简单的算法，越复杂的算法，过拟合风险越高。这也是为什么逻辑回归更加流行，而神经网络难以应用的原因。

1.怎么多项式回归 2.次方越高模型越复杂 3.样本数量对过拟合有什么影响 4.正则化（岭回归、lasso）减小过拟合的程度

Python实现线性回归（最小二乘法、梯度下降法）与三种梯度下降法的优劣对比。

机器学习怎么评估模型的好坏（交叉验证、混淆矩阵、ROC曲线），如何使用sklearn工具包

sklearn工具包基础

读取数据，看看GDP和HappinessScore的线性关系如何。用sample将数据集拆分成训练集traindata和测试集testdata，比例为（0.8）8：2。指定输入特征GDP和输出特征Score。plt将其展示出来。

线性回归原理具体代码实现

什么是梯度下降法？理解梯度下降法，它是如何下降的？

最小二乘法怎么来的？怎么求解最小二乘法？