Task04分类问题

1、其实分类和回归的本质是一样的，都是对输入做出预测，其区别在于输出的类型。

分类问题：分类问题的输出是离散型变量，是一种定性输出。(预测明天天气是阴、晴还是雨)
回归问题：回归问题的输出是连续型变量，是一种定量输出。(预测明天的温度是多少度)。

比如预测房价的问题，如果定一个阀值，我们就可以把房价分成高房价和低房价两类，回归问题变成分类问题，

2、sigmoid函数 的导数在输出接近 0 和 1 的时候是非常小的，故导致在使用最小均方差Loss时，模型参数w会学习的非常慢。而使用交叉熵Loss则没有这个问题。为了更快的学习速度，分类问题一般采用交叉熵损失函数。

3、

在logistic回归中，我们最大化条件概率  来估计参数；而LDA最大化边缘密度 来估计参数。

一般而言，logistic回归更加鲁棒，因为其依赖的假设更少。但在实际运用中，有时不恰当地对定性变量用LDA，也能得到相似的结果

4、

import numpy as np

class logistic:
    def __init__(self, fileName, splitBy='\t'):
        self.lr = 1e-3
        self.epochs = 3000  # 定义学习率和训练轮数

        data = np.array([line.split(splitBy) for line in open(fileName).readlines()], dtype='float')
        self.X &