记录知识，学习分享

逻辑回归（Logistic Regression）逻辑回归：是一个非常经典的算法。是一种用于解决二分类（0 or 1）问题的机器学习方法，用于估计某种事物的可能性。注：这里用的是“可能性”，而非数学上的“概率”，logisitc回归的结果并非数学定义中的概率值，不可以直接当做概率值来用。该结果往往用于和其他特征值加权求和，而非直接相乘。逻辑回归与线性回归逻辑回归（Logistic Regression）与线性回归（Linear Regression）都是一种广义线性模..

K均值聚类（K-Means）k-means 算法：根据给定的数据样本构建 k 个划分聚类，每个划分聚类即为一个簇。该算法是一个典型的基于距离的聚类算法，采用距离作为相似性的评价指标（两个样本的距离越近，相似度就越大）。每个数据样本必须属于而且只能属于一个簇。同一簇中的数据样本相似度高，不同簇中的数据样本相似度较小。聚类相似度是利用各簇中样本的均值来进行计算的。注：因为在该算法第一步中是随机的选取任意k个对象作为初始聚类的中心，初始地代表一个簇，因此k个初始类聚类中心点的选取对聚类

线性回归（Linear Regression）是一种非常简单、用处非常广泛、含义也非常容易理解的一类经典的算法，非常合适作为机器学习的入门算法。线性回归就是拟合出一个线性组合关系的函数。要找一条直线，并且让这条直线尽可能地拟合所有数据点。即：试图找到一条直线，使所有样本到直线上的欧式距离之和最小。一元线性回归（Linear Regression）拟合出一个线性组合关系的函数：y = wx+b 。拟合图像：多元线性回归多元线性回归比一元线性回归复杂，其组成的不是直线，而是一..

kNN（k-Nearest Neighbors，k近邻）是机器学习中非常基础的一种算法，算法原理简单而且容易实现，结果精度高，无需估计参数，无需训练模型，而且不仅可以用于分类任务，还可以应用到回归问题。作为开始学习机器学习的入门是一个很好的选择。俗话说：近朱者赤，近墨者黑，物以类聚，人以群分。KNN算法就是这样。它使相同类别的样本在特征空间中聚集在一起。分类时一般采用多数表决投票法，即训练集里和预测的样本特征最近的K个样本，预测为里面有最多类别数的类别。回归时，一...