一. 理论学习
1.逻辑回归（LR）
LR在【Datawhale-初级算法梳理】小组中有学习过，笔记见此处
2.支持向量机(SVM)
a) 简介
支持向量机（support vector machines, SVM）是一种二类分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；支持向量机还包括核技巧，这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的的学习算法就是求解凸二次规划的最优化算法。
b) 算法
SVM算法（线性可分支持向量机学习算法一一最大间隔法）
c) SVM的特点和不足
特点：非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射； 对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心； 支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量；少数的支持向量决定了样本结果，这使得算法有较高的“鲁棒”性。它属于凸优化问题，所以局部最优一定是全局最优解。
不足：
1、SVM对于大样本数据训练难以实施，由于SVM是借助二次规划来求解支持向量的，从而涉及到m阶矩阵的计算，从而消耗了很大的空间和时间。针对上述问题的改进方法为SMO算法。
2、经典的SVM只给出了二分类的算法，但实际中更多的是多分类问题，所以我们一般通过构造多个二分类支持向量机的组合来解决。主要有一对多模式，一对一模式和SVM决策树。
3、对缺失数据敏感，对参数和核函数的选择敏感，对于一个实际问题来说，核函数的选取带有一定的经验性，并没有一个合理的解释，所以在不同的领域还是没有很好的方法来解决核函数的选取问题。
二、 代码实践
1、逻辑回归代码
lr = LogisticRegression(C=120,dual=True)
lr.fit(x_train,y_train)
y_test = lr.predict(x_test)
2、SVM代码
params = {'penalty':['l2','l1'],'C':[2.0,3.0,5.0]}
svc = LinearSVC(dual=False)
clf = GridSearchCV(estimator=svc, param_grid=params, scoring = 'f1_macro', n_jobs=1, cv=3, verbose=3)
clf.fit(x_train,y_train)
print('最优参数：{}'.format(clf.best_params_))
y_test = clf.predict(x_test)
原博文链接：
https://blog.csdn.net/u012914436/article/details/89132931#逻辑回归(LR)模型
https://blog.csdn.net/hsk6543210/article/details/89220680