有幾個點需要了解：
線性模型的形式： f(x) = w1x1 + w2x2 +…+ wm*xm + b
從這裡我們可以了解前面幾章介紹的模型，訓練，**等等知識的真實面目，上面這個函式或者公式，就是所謂的模型。西瓜問題的線性模型就形同：
f好瓜(x)=a * x色澤 + b * x根蒂 + c * x敲聲 + 1
其中a,b,c就是需要大量資料來訓練的引數，實際做法就是，通過大量的西瓜資料帶入到各個x中去，然後通過賦予a,b,c各種值來讓**f好瓜(x)**的錯誤最低，這個做法就是訓練，訓練的結果就是會出現類似如下的模型：
f好瓜(x)=0.2 * x色澤 + 0.5 * x根蒂 + 0.2 * x敲聲 + 1
其中0.2和0.5就是通過訓練得來的，錯誤率最低的引數，也就是最優的引數，接下來就是**，實際做法就是再拿一些訓練集以外的資料，形同（色澤=淺白，根蒂=蜷縮，敲聲=濁響）分別帶入到三個x中，就能計算出f好瓜(x)的值，整個過程就是這樣。當然訓練和**一般是交替進行的，訓練的引數表現好不代表**也會表現得很好。
另外，也可以看出，根蒂比色澤對是不是好瓜的判斷更重要，因為根蒂的引數0.5大於色澤0.2 。
線性回歸
通俗理解線性回歸
線性回歸的目的是在訓練的過程中，判斷給定的引數是否最好，誤差最小。它的核心思想就是求得多個模型**的結果和真實結果之間的差距之和，這個和越小，引數就越接近合適。
對數機率回歸
需要先了解，單調可微函式，對數。然後詳細見這裡。
對數機率回歸實際上是針對分類學習的，即「好瓜」和「壞瓜」這類問題的。
lda（線性判別分析）
投影後類內方差最小，類間方差最大
降維：以西瓜為例子，色澤是乙個維度，根蒂是乙個維度，敲聲是乙個維度，這個在前面假設空間裡提到過，而如果西瓜不止這些對好瓜壞瓜的因素而是有很多個，比如大小，圖案等等，那麼西瓜這個問題就有多個維度。針對上面的好瓜模型f好瓜(x)=a * x色澤 + b * x根蒂 + c * x敲聲 + 1，如果色澤對於好瓜壞瓜這個結果並沒有影響，那麼就把這一項去掉，但需注意，這裡的去掉並非是人為的把它去掉，而是如lda模型在訓練的過程中會學習到色澤對於結果沒有影響，因此會在演算法內把它去掉。
多分類學習
多分類學習的核心思想是將多個分類任務拆分為若干個二分類任務。拆分的策略
類別不平衡問題
LESS學習筆記 入門
今天在網上完成了less的基礎學習，下面是我的學習筆記。總共有三個檔案 index.html main.less mian.css，其中mian.css是main.less經過koala編譯之後自動生成的。下面是 index.html mian.less charset utf 8 body div...
Yii學習筆記（入門）
use yii db activerecord class a extends activerecord hello,i am only page.1 初始化應用 訪問http localhost basic web index.php，進入yii的啟動頁面。如果提示你未安裝openssl的話，去你...
hightopo學習筆記 入門
ht是基於html5標準的企業應用圖形介面一站式解決方案，其包含通用元件 拓撲元件和3d渲染引擎等豐富的圖形介面開發類庫，提供了完全基於html5的向量編輯器 拓撲編輯器及 3d場景編輯器等多套視覺化設計工具，和完善的類庫開發手冊 工具使用手冊 及針對html5技術如何進行大規模團隊開發的客戶深度培...