线性回归

线性模型不仅简单，而且用途广泛，是很多复杂模型的基础。我想这也符合人的认知：线性就是一种趋势，更高或更低的值往往反映出结果是更好还是更坏。因此，无论是加入更多自变量的多元线性回归，还是推广到更一般场景中的广义线性回归，内核都是线性。

对数几率回归与线性判别分析

两者都是二分类的方法，对数几率回归将线性回归的结果投射到sigmoid函数上，通过设定的阈值判断类别；线性判别分析将样本投影到一条直线，使不同类别样本在直线上距离尽可能远，同类别则尽可能近，新样本根据投影位置判断类别。对数几率回归用最大似然估计确定模型参数，线性判别分析通过最大化类间距离与类内距离的比值确定参数。

书上的公式要推导一遍吗？

多分类学习

这里主要介绍利用二分类学习器解决多分类问题。其本质就是构造多个二分类学习器，然后综合各个学习器的结果对新样本分类。常用的构造策略有三种，“一对一”、“一对其余”、“多对多”，具体用到时再展开。

类别不平衡问题

类别不平衡在很多场景中都存在，如分类模型的训练，以及ROC分析，都要考虑到这种不平衡。基于“训练样本是真实样本总体的无偏采样”这个假设是否满足，有不同的处理方式：满足假设，则根据正、反例数目的比值调整阈值，称为“再缩放”；不满足假设，则需要调整训练集中正、反例样本的数目，使其尽可能接近。常用调整方法有欠采样（去掉一部分较多的类别）、过采样（通过拟合等手段加入一部分较少的类别）和阈值移动（直接用原始样本训练，把阈值调整步骤放到实际应用时）。