手把手教线性分类器和逻辑回归——未完，不续

Linear Classifiers and Logistic Regression

手把手教线性分类器和逻辑回归

线性分类

线性分类问题是数据在空间中的分布，可以用一条直线（或平面/超平面）分割。如螺旋状>的数据线性不可分。

线性分类器是一些可以解决线性分类问题的机器学习算法，其模型往往都是一个线性函数，

如决策树桩/线性回归/支持向量机。

线性回归和逻辑回归是数据挖掘领域最简单最基础的机器学习算法,几乎所有的机器学习书>籍和教程都会将此算法放在最前面介绍，之后再逐渐深入。如周志华老师的《机器学习》一

书放在第三章，是最先介绍的机器学习算法。如Andrew Ng老师的机器学习网络教程放在第>一，二，三周，也是最先开始介绍的机器学习模型。

线性回归假设结果和特征满足线性关系，即$ h_{\Theta} (x)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3 $  ，为连续模型，容易受噪声影响

逻辑回归本质上是线性回归，只是在特征到结果的映射上添加一层函数映射，即$ z=h_{\Theta} (x)=\Theta{_0}+\Theta{_1}x_1+\Theta{_2}x_2+\Theta{_3}x_3 ，g(z)=\frac{1}{1+e^-z} $ ，添加映射后，连续模型变为二元模型，受噪声影响变小。