邏輯回歸與線性回歸的聯絡與區別
邏輯回歸和線性回歸都是屬於廣義上的回歸模型，線性回歸是屬於監督學習的其中一種方法，就是**具有一串具有連續變數的資料。而邏輯回歸呢，就是比較偏向於分類，但它也是屬於回歸，所以本質還是線性回歸，可以對資料**進行概率計算，但最主要還是偏向於分類
邏輯回歸的原理
運用回歸方程來近可能的接近真實值，通過二類線性對資料進行分類，可以直接用在sigmoid函式上的對映。來更容易的看出概率的大小從而做出決策
邏輯回歸損失函式推導和優化
經過假設函式二分類後得到聯合概率統一公式p(y|x,θ)=hθ(x)y⋅(1−hθ(x))1−y,
最大化樣本後的概率公式：
然後通過轉化為最小化，這差集就是損失函式
用來優化的方法可以使用牛頓法，隨機梯度下降等等。
正則化與模型評估指標
正則化可以防止過度擬合，
擬合的主要原因：具有過多的特徵項
解決方法：選擇性的減少特徵數量模型選擇演算法
正則化十結構化風險最小策略的實現，是在經驗風險上加乙個正則化或懲罰項，模型越複雜，正則化項就越大。
邏輯回歸的優缺點
優點：速度快，適合二分類問題
簡單，容易分辨區分
能很容易的嵌入新模型
缺點：在資料和場景應用過程中具有侷限性
樣本不均衡問題解決辦法：
1.可以擴大資料的採集項
2.嘗試一些其他指標
3.對資料進行重採集，重新訓練
4.加入人工資料
5.嘗試不同的模型方法
6.增加模型的懲罰項
sklearn引數
class sklearn.linear_model.logisticregression(
penalty=』l2』, 引數型別：str，可選：『l1』 or 『l2』, 預設: 『l2』。該引數用於確定懲罰項的範數
dual=false, 引數型別：bool,預設：false。雙重或原始公式。使用liblinear優化器，雙重公式僅實現l2懲罰。
tol=0.0001, 引數型別：float，預設：e-4。停止優化的錯誤率
c=1.0, 引數型別：float，預設；1。正則化強度的導數，值越小強度越大。
fit_intercept=true, 引數型別：bool，預設：true。確定是否在目標函式中加入偏置。
intercept_scaling=1, 引數型別：float，預設：1。僅在使用「liblinear」且self.fit_intercept設定為true時有用。
class_weight=none, 引數型別：dict，預設：none。根據字典為每一類給予權重，預設都是1.
random_state=none, 引數型別：int，預設：none。在打亂資料時，選用的隨機種子。
solver=』warn』, 引數型別：str，可選：, 預設：liblinear。選用的優化器。
max_iter=100, 引數型別：int，預設：100。迭代次數。multi_class=』warn』, 引數型別：str，可選：，預設：ovr。如果選擇的選項是』ovr』，
那麼二進位制問題適合每個標籤。對於「多項式」，最小化的損失是整個概率分布中的多項式損失擬合，即使資料是二進位制的。當solver ='liblinear』時，'multinomial』不
可用。如果資料是二進位制的，或者如果solver =『liblinear』，『auto』選擇』ovr』，否則選擇』multinomial』。
verbose=0, 引數型別：int，預設：0。對於liblinear和lbfgs求解器，將詳細設定為任何正數以表示詳細程度。
warm_start=false, 引數型別：bool，預設：false。是否使用之前的優化器繼續優化。
n_jobs=none，引數型別：bool，預設：none。是否多執行緒
編譯原理第二天
優化 任務 對前階段產生的中間 進行加工變換，以期在最後階段產生更高效的目標 原則 程式的等價變換原則 編譯過程 任務 把中間 變換成特定機器上的目標 依賴於硬體系統結構和機器指令的含義 目標 三種形式 彙編指令 需要進行彙編 絕對指令 可直接執行 編譯結構 詞法分析器 單詞符號 語法分析器 語法單...
上班第二天
本想坐晚一班車的，誰知道這晚一班的也只是晚了 五 六分鐘，不高興再在站台上等，也只好小跑到車門上去了，果然，八點十分就到了。白天那個困啊 今天的工作內容和昨天一樣，做到後來我實在覺得測的差不多了，想幹些其他的，但這初來乍到的，也不好幹其他的呀，況且領導辦公室就在我旁邊。今天的工作總結有兩點 1 別把...
第二天實習
今天我早早到了銀行，開始給大家抹桌子，算是向愛妃學習吧。之後向wqy學習做表的方法，他很耐心。今天一天也就是做了這麼乙個表，但是還向dh學習了另外一些業務的處理，收穫不小。中午吃了雞腿 肉串和芸豆，好開心啊。我越來越喜歡自己的實習了。今天好多自己班上的同學來面試實習生，希望她們都能上！今天我沒有去同...