python**：
（1）、分割資料：部分資料用於做模型訓練（一般需要的資料量比較大，可以通過網上公開的資料來源，或者向企業獲取，或者自己爬蟲？？）一部分資料用於測試模型的準確度；
用到sklearn.cross_valiation裡的train_test_split函式；
x_train,x_test,y_train,y_test=train_test_split(data[column_names[1:
10]],
data[colum_names[10]
],test_size=
0.25
,random_state=
33)
（2）、標準化資料，是每個維度的值均值為0，方差為1（有些資料分量的值本身比較大，會對判斷產生影響）讓每個資料在同一起跑線上；
用到的sklearn。preprocessing裡的standardscaler
ss=standardscalar();
x_train=ss.fit_transform(x_train)
;x_test=ss.trainsform(x_test)
;
法一邏輯斯蒂回歸：使用sklearn.linear_model中的logisticregression模組中的fit函式來構造模型
lr.fit(x_train,y_train)
;lr_y_predict=lr.predict(x_test)
;#使用predict函式 得到線性**結果
sgdc.fit(x_train,y_train)
;sgdc_y_predict=sgdc.predict(x_test)
;#得出結果
一種是上述兩種方法中自帶的score函式用於獲得準確性結果；
另一種是使用sklearn.metrics中的 classification_report函式例如：
classification_report(y_test,y_predict,target_names=
['benign',.
..])
#target_names中的引數是需要顯示的樣本名自己定義，
#y_test是已知的正確的測試結果，與y_predict是不同模型（lr或sgdc_y_predict）得到的結果進行對比分析
（1）、確定樣本維度特徵值列向量x=;
（2）、權重係數，根據樣本訓練得到列向量w=;
（3）、根據以上的列向量，得到以下線性表示式：
（4）、期待f函式的值落在（0，1）之間，便於二分類，引入邏輯斯蒂函式，則有：
（5）、邏輯斯蒂函式必過(0，0.5)根據函式的性質，則以0.5為界進行歸類，g>0.5為1；g<0.5為0；
（6）、最後求上述模型的引數w，b；應用極大似然估計法：
特徵向量x=,分類結果列向量y=，則：
可以使用隨機梯度下降演算法進行快速引數估計；
線性回歸 監督學習
1 線性回歸的可行行基礎及資料形式 輸入資料都是帶著標稱的資料 其中x時特徵向量，y為結果 2 線性回歸解決的問題 相比與前面的感知機模型輸出空間為乙個二元的分類空間，線性回歸輸出空間是全體實數，以銀行審評信用卡為例 在感知機模型中，輸出結果是 3 線性回歸的hypothesis 相比與感知機模型在...
機器學習筆記 監督學習 無監督學習分類筆記
無監督學習 給出一資料組，並已知曉這組資料的對應關係，然後給出一組新的資料，嘗試對其進行 和分析，這裡注意，提前給出的資料組 data set 是已知內部的資料的對應關係，後面給出的新的資料，是要依據對之前資料的學習後，給出新的資料對應的 值。而對於 的結果的不同，又將監督學習分為分類 classf...
監督學習和無監督學習 監督學習與非監督學習
監督學習 supervised learning 的任務是學習乙個模型，使模型能夠對任意給定的輸入，對其相應的輸出做出乙個好的 即 利用訓練資料集學習乙個模型，再用模型對測試樣本集進行 例如kaggle上的鐵達尼號比賽。官方提供旅客資料 資料集1 姓名，年齡，性別，社會經濟階層，是否生存等 要求參賽...