1，常用的分类与预测算法

     回归分析（连续）

        线性回归                             一般用作预测

        非线性回归

        Logistic回归 （因变量为0,1）     一般用作分类

        岭回归

        主成分回归

        偏最小二乘回归

    决策树（离散）

    人工神经网络

    贝叶斯网络

    支持向量机（离散）

2， 算法详解

         2.1 回归分析    

                Logistic 回归 （概率型非线性回归）

                ☉ 特征筛选 （可以用scikit-learn feature_selection）

                ☉ 估计模型回归系数

                ☉  模型检验    

                ☉  模型应用

---

         2.2 决策树

                    ID3算法， C4.5算法， CART算法，SLIQ算法，SPRINT算法，PUBLIC算法

                ☉  ID3算法  通过信息增益作为属性的选择标准 ，一般处理离散型的描述属性

                    GainA(A信息增益)= Info (总的信息熵) - InfoA (A信息熵)  A为某属性

                ☉  C4.5算法 通过信息增益率作为属性的选择标准，可以处理离散及连续的描述属性

                ☉  CART算法是一种非参数分类和回归方法

---

         2.3 人工神经网络 

                        激活函数：域值函数，分阶段函数，非线性函数，Relu函数

                ☉  BP神经网络（求解算法用新型的逐层训练算法，就是深度学习）

                ☉  LM神经网络

                ☉  RBF径向基神经网络

                ☉  FNN模糊神经网络

                ☉  GMDH神经网络

                ☉  ANFIS神经网络

                ☉  。。。

                python 中的Keras算法库适用于人工神经网络模型。

                人工神经网络的拟合能力强，为了防止过拟合，流行做法是让部分神经网络节点休眠。

3，分类与预测算法评估

        绝对误差与相对误差

        平均绝对误差

        均方误差

        均方根误差

        平均绝对百分误差

        Kappa统计

        误差准确度

        识别准确度

        反馈率

        ROC曲线

        混淆矩阵

4，分类预测模型特点