一、算法分类
1.有监督学习：输入数据有人为的标签来指导学习，不断地改进模型参数。用于分类预测问题。
2.无监督学习：黑盒训练模式，没有任何指导，分析结果不可控。用于聚类和特征关联。
3.半监督学习：用于有数据缺失的情况，算法运算于有/无监督之间。
二、回归算法
1.线性回归：其表达形式为y = w'x+e，e为误差服从均值为0的正态分布。用于预测一个连续的值。
回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。
*要点：
(1)Cost损失函数：描述h函数不好的程度（前面乘上的1/2是为了在求导的时候，这个系数就不见了。）
(2) Goal：如何调整θ以使得J(θ)取得最小值有很多方法，其中有最小二乘法和梯度下降法。
*梯度下降：有可能是全局极小值，这与初始点的选取有关，收敛较慢。
1）首先对θ赋值，这个值可以是随机的，也可以让θ是一个全零的向量。
2）改变θ的值，使得J(θ)按梯度下降的方向进行减少。
梯度方向由J(θ)对θ的偏导数=0确定，由于求的是极小值，因此梯度方向是偏导数的反方向。结果为
迭代更新的方式有单样本的随机梯度下降、minibatch的批梯度下降，全部样本的梯度下降。
*最小二乘法：将训练特征表示为X矩阵，结果表示成y向量，仍然是线性回归模型，误差函数不变。那么θ可以直接由下面公式得出
*优缺点：建模速度快，不需要很复杂的计算、每个特征对结果的影响强弱可以由前面的参数体现（而且每个特征变量可以首先映射到一个函数，然后再参与线性计算，这样就可以表达特征与结果之间的非线性关系）、对异常值噪声很敏感（一般不用来分类，而是求连续值）。
2.逻辑logistic回归：不是回归，而是分类器，二分类，多分类。
logistic回归本质上是线性回归，只是在特征到结果的映射中加入了一层函数映射，即先把特征线性求和，然后使用函数g(z)来预测。g(z)可以将连续值映射到0和1上。
*形式：logistic回归的假设函数如下，线性回归假设函数是
。
logistic回归用来分类0/1问题，这里假设了二值满足伯努利分布，也就是
