qq_18062811的专栏

引例：   数据：工资和年龄（2个特征）   目标：预测银行会贷款给我多少钱（标签）   考虑：工资和年龄都会影响最终银行的结果，那么它们各自有多大的影响呢？（参数） 回归：通过你的数据最终预测出一个值 （分类：最终的到的是一个类别。比如说银行借还是不借你贷款） ===》对于2维数据，就是找到一条最好的线对数据进行拟合   假设1是年龄的参数，2是工资的参数 拟合的平面：h(x)...

引入：当我们得到了一个目标函数后，如何进行求解？ 直接求解？（并不一定可解，线性回归可以当做是一个特例）   常规套路：机器学习的套路就是交给机器一堆数据，然后告诉它什么样的学习方式是对的（目标函数），然后让它朝着这个方向去做   如何优化：一口吃不成胖子，我们要静悄悄的一步步的完成迭代（每次优化一点点，累积起来就是个大成绩了）  ...

逻辑回归： 目的：分类还是回归？经典的二分类算法！ 机器学习算法选择：先逻辑回归再用复杂的，能简单还是用简单的 逻辑回归的决策边界：可以是非线性的 sigmoid函数   公式：g（z）=1/(1+exp(-z)) 自变量取值为任意实数，值域 [0,1] 解释：将任意的输入映射到了[0,1]区间，我们在线性回归中得到一个预测值，再将该值映射到sigmoid函数中， 这样就完成...

决策树：从根节点开始一步步走到叶子结点（决策） 所有的数据最终都会落到叶子结点，既可以做分类也可以做回归 树的组成：   根节点：第一个选择点  非叶子结点与分支：中间过程  叶子结点：最终的决策结果 节点：增加节点相当于在数据中切一刀，那么节点越多越好吗？   决策树的训练与测试：   1.训练阶段：从给定的训练集构造出来一棵树（从根节点开始选择特征，如何进行特征切分）   ...