三.机器学习基础—逻辑回归

一. 逻辑回归解决的是分类问题

二.AI建模中“基准”很重要：从基本模型到复杂模型，可以知道错误在哪里

注意：任何AI应用一定要从“基准”开始搭建

三.逻辑函数：将值域控制在（0，1）

四. 有效的条件概率函数

五. 由概率之和为1这个性质，可以得到如下两个公式

六.最大似然估计

七. 所有样本的似然概率

八. 梯度下降法学出最优参数

九.学习率决定了算法收敛得速度，谨慎选择参数

十.

十一. 逻辑回归的目标函数是凸函数，只有全局最优解。不管怎么初始化，最后收敛到的结果是同一个点。

十二.梯度下降法每次更新需要把样本全部循环一遍，所以效率不高。参考十的公式，i=1->n。引入了随机梯度下降法

但是用单个样本的梯度估算全局梯度，有噪声，会发现优化的时候，下降曲线有波动

十二.小批量梯度下降法：折中算法（如何用代码去实现？）

鞍点：会被误认为是最优解，随机梯度下降法更容易掠过鞍点。

GPU计算能力指的是它的并行计算能力

十三.用逻辑回归模型解决一个分类问题：预测银行客户是否开设账户

问题描述

数据理解

数据预处理 (独热编码）

模型训练

模型评估（精确率  召回率 F1-score）

代码实现