#内容是给自己看的，会比较杂乱
#这里用了之前写过的那个音乐分类的数据和代码
变成了多个不相关的分类，看上面的图是变成了选取不同的特征做预测
可以是我预测他最后是狗，猫还是狮子，看哪个概率大
这里没图了，可以进行升维，时间、经度、维度、高度，目前最多是霍金提出来的1x维
多元线性回归（Ridge、Lasso、ElasticNet）是做回归预测的
逻辑回归（Logistic Regression）是做分类任务的
Q：做回归预测损失函数是什么？
A：平方均值损失函数MSE
Q：做分类损失函数是什么？
A：做分类损失函数是交叉熵！
Q：什么是熵？
A：熵是一种测量分子不稳定性的指标，分子运动越不稳定，熵就越大，来自热力学
熵是一种测量信息量的单位，信息熵，包含的信息越多，熵就越大，来自信息论，香农
熵是一种测量不确定性的单位，不确定性越大，概率越小，熵就越大！
Q：熵和概率是什么一个关系？
A：随着概率的减小，熵会增大
逻辑回归
Q：为什么本质是多元线性回归？
A：1，公式，首先应用了多元线性回归的公式，其次才是把多元线性回归的结果，交给sigmoid函数去进行缩放
2，导函数，逻辑回归的损失函数推导的导函数，整个形式上和多元线性回归基本一致，
只是y_hat求解公式包含了一个sigmoid过程而已
Q：逻辑回归的损失函数是什么？
A：交叉熵，做分类就用交叉熵，-ylogP，因为逻辑回归是二分类，所以
loss func = (-ylogP + -(1-y)*log(1-P))，也就是说我们期望这个损失最小然后找到最优解
事实上，我们就可以利用前面学过的梯度下降法来求解最优解了
Q：逻辑回归为什么阈值是0.5？
A：因为线性回归区间是负无穷到正无穷的，所以区间可以按照0来分成两部分，所以带到sigmoid公式里面去
z=0的话，y就等于0.5
Q：逻辑回归做多分类？
A：逻辑回归做多分类，把多分类的问题，转化成多个二分类的问题，如果假如要分三个类别，就需要同时
训练三个互相不影响的模型，比如我们n个维度，那么三分类，w参数的个数就会是(n+1)*3个参数
上面所谓的互不影响，指的是模型在梯度下降的时候，分别去训练，分别去下降，三个模型互相不需要
传递数据，也不需要等待收敛
Q：文字本身是几维的数据？音乐本身是几维的数据？图片本身是几维的数据？视频本身是几维的数据？
A：看什么类型的数据，文字一维的，音乐是单声道的音乐，音乐是一维的数据，如果音乐是双声道的，
就是二维的数据，图片如果看成是张图片，就是个平面二维的数据，视频一张张图片按时间顺序码放的，
那就是三维的数据
但我们做机器学习的时候，真的只会这样考虑吗？
文章是由不同的词组成的，词的种类越多，事实上考虑的维度就越多
图片如果是彩色的图片，图片可以有R、G、B、alpha
音乐可以有不同的频率，每个频率如果看成是一个维度，那么就可以N多个维度
图片也可以有不同的频率，每个频率如果看成是一个维度，那么就可以N多个维度
逻辑回归
知识点补充：https://blog.csdn.net/weixin_39445556/article/details/83930186
熵
补充：概率0-1 熵是log然后取负数
https://blog.csdn.net/tsyccnh/article/details/79163834
交叉熵：越大两组数据放在一起的不确定性越强
p----y^ q-----y 类别是1 当对了就趋近于1了(0.8) log1=0不混乱
我们希望y和y^的交叉熵越小越好 （ logp）*q可以改为（ logp ^q）
随着概率减小，熵会增大–联系图
分类和预测不一样 分类是0.8我最后也会归为1
预测0.8就是0.8
