一. 線性回歸
二. 邏輯回歸
邏輯回歸產生的原因：1、線性回歸也可以用於分類，但容易被極端的資料影響，資料分布不規則時，對函式值影響較大，函式值分類指標容易產生較大誤差。2、線性回歸的值是從負無窮到正無窮，而分類問題的值是0-1的。
三. softmax回歸
選擇e為底的原因：函式值不為負，可以保證概率介於0-1；函式值越大，通過e指數變化，函式值更大，差距越來越明顯，放大正確的類別與錯誤類別概率值的差距。
深度學習的本質是，對輸入資料深度提取特徵，後接可進行梯度下降的分類器，主要是接邏輯回歸或softmax回歸。
線性回歸梳理
機器學習的一些概念 有監督 訓練資料的結果已被告知 無監督 不告訴結果，讓演算法自行判斷 過擬合 高方差，低偏差 解決辦法 使用正則化項 欠擬合 高偏差，低方差。這時增加樣本數量是沒用的。解決辦法 增加特徵 可以通過學習曲線判斷學習演算法是處於欠擬合還是過擬合。交叉驗證 機器學習中確定超引數的通用的...
線性回歸演算法梳理
機器學習的一些概念 有監督 有目標值y 無監督 無目標值y 泛化能力 在 集上的 能力 過擬合欠擬合 方差和偏差以及各自解決辦法 測試集 能力不好叫欠擬合，在測試集上ok，訓練集ng 方差能解決過你和問題，偏差能解決欠擬合問題 交叉驗證 將樣本分為n分，按照一定的劃分方式劃分訓練集和測試集，互相交叉...
DATAWHALE線性回歸梳理
1 有監督和無監督學習是機器學習的常用辦法。有監督就是通過已有的一些資料輸入和輸出的關係，去得到乙個模型 該模型相當於乙個函式，將所有的輸入對映為相應的輸出，從而達到分類的目的 無監督 直接對資料進行建模，得到相似的一類，如聚類。那哪種情況下採用監督學習或無監督學習呢？我想最簡單的一種方法就是根據定...