本章介绍线性模型，性模型能解决哪些现实中的问题？主要有对连续数据的预测（回归问题）、二分类问题、线性判别分析（LDA）和多分类问题。

一、单变量线性回归、多变量线性回归

1、线性回归基本形式：

目的是训练出一组w和b使得y≈f(x)，一般用均方误差度量即：

（上式也可以理解为求数据到直线的欧式距离最小）

要求出最小值，对3.4式求导后等于零即可求出：

2、多变量线性回归：

基本形式：

同理也是试图训练出w和b使得y≈f(x)，同样使用最小二乘法，但转换成了向量形式：

其中

令导数等于零的：

最终多元线性模型为：

二、对数几率回归：

首先引入Sigmoid函数：

可以转化为：

称为几率，称为对数几率

将y视为类后验概率估计p(y=1|x)，则：

通过极大似然法得：

其中

通过牛顿法可以迭代求出最优化参数：

三、线性判别分析：

LDA基本思想：将样例投影到一条直线上，使得同类投影点尽可能靠近、异类投影点尽可能远。公式不做详细介绍。

四、多分类学习：

文中介绍了基本思路“拆解法”，将N个类别拆分成若干个二分类问题，经典的拆分方式：“一对一”、“一对其余”、“多对多”。

“一对一”将N个类别拆分成N(N-1)/2个二分类任务，产生N(N-1)/2个分类结果，最终采用投票法来选择。

“一对多”将一个类的样例作为正例、其余作为反例。如果测试只有一个分类器预测为正类，则对应的类别标记作为最终分类结果，若有多个分类器预测为正类，通常考虑置信度大的类别。

如图：

“多对多”通常采用“纠错输出码”，两个步骤：

编码：对N个类别做M次划分，每次划分将一部分类别划分为正类，一部分划分为反类，从而形成一个二分类训练集；这样一共产生M个训练集，可以训练出M个分类器。

解码：对M个分类器分别对测试样本进行测试，这些预测标记组成一个编码，将测试编码与类别编码对比，距离最小的即为最终类别。

海明距离：栗子C1与测试示例比较有3个学习器预测不一样，即海明距离为3

欧式距离：栗子C1与测试示例比较3个学习器预测不一样，2个相同，相同的差为零不考虑，不同的差的平方为4,3个即12，对12开方得

五、类别不平衡：

即正例与反例数量差别非常大，如998个反例，2个正例，对任何新样本返回反例就能达到99.8%的精度，毫无意义。

如何解决这个问题？采用再缩放：

《机器学习（周志华）》Chapter3 线性模型 课后习题答案

参考网址：

逻辑回归算法推导：

https://wenku.baidu.com/view/0a1952aedd3383c4bb4cd279.html?from=search

极大似然估计：
https://blog.csdn.net/yewei11/article/details/50537648
均值和期望的区别：
https://blog.csdn.net/Michael_liuyu09/article/details/77943898
协方差与协方差矩阵：
https://www.cnblogs.com/terencezhou/p/6235974.html
LDA:
https://www.cnblogs.com/pinard/p/6244265.html