有点意思的博客

逻辑回归常用于分类任务分类任务的目标是引入一个函数，该函数能将观测值映射到与之相关联的类或者标签。一个学习算法必须使用成对的特征向量和它们对应的标签来推导出能产出最佳分类器的映射函数的参数值，并使用一些性能指标来进行衡量。在二元分类问题中，分类器必须将实例分配到两个类中的一个类。在多元分类问题中，分类器必须将一组标签分配给每个实例。

【代码】【sklearn——KNN模型】

算方法，包括scikit-learn库使用的方法，不使用皮尔森相关系数r的平。线性回归由方程 y =α +βx给出，而我们的目标是通过求代价函数的极。方，也被称为皮尔森相关系数r的平方。0和1之间的正数，其原因很直观：如果R方描述的是由模型解释的响。应变量中的方差的比例，这个比例不能大于1或者小于0。如果模型的表现非常差，由这些计算方法求出的R方。代价函数，也被称为损失函数，它用于定义和衡量一个模型的误差。计算R方的方法有多种，在简。敏感，当新的特征增加到模型中时，它常常会出现异样的增长。

和简单线性回归使用单一解释变量和单一系数不同，多元线性回归使用任意数量的解释变量，每个解释变量对应一个系数。用于线性回归的模型也可以被表示为向量计法。