一、概述
1、无监督学习：训练时只需要一个特征矩阵x，不需要标签y，例如PCA
2、聚类（无监督分类）VS 分类
1）在已经知晓的类别上，给未知的样本标上标签（分类）；在完全不知道标签的情况下，探索分布上的分类（聚类）
2）分类结果确定，聚类结果不确定
3、sklearn中的聚类算法（类和函数两种表现形式）输入数据可以是标准特征矩阵，也可以是相似性矩阵（行和列都是n_samples)，可以使用sklearn.metric.pairwise模块中函数获取相似性矩阵
4、簇中所有数据坐标均值为这个簇的质心坐标，簇k是一个超参数，kmeans追求的是能让簇内平方和inertia最小的质心（最优化问题，逻辑回归也是最优化问题）
5、KMeans算法时间复杂度为O（k*n*T),k为簇数，n为样本数，T为迭代次数，但这种算法很慢，但是最快的聚类算法，
有一些算法天生没有损失函数（衡量拟合效果）
RFM模型，漏斗分析，AARRR模型
一、概述
1、无监督学习：训练时只需要一个特征矩阵x，不需要标签y，例如PCA
2、聚类（无监督分类）VS 分类
1）在已经知晓的类别上，给未知的样本标上标签（分类）；在完全不知道标签的情况下，探索分布上的分类（聚类）
2）分类结果确定，聚类结果不确定
3、sklearn中的聚类算法（类和函数两种表现形式）输入数据可以是标准特征矩阵，也可以是相似性矩阵（行和列都是n_samples)，可以使用sklearn.metric.pairwise模块中函数获取相似性矩阵
4、簇中所有数据均值为这个簇的质心，簇k是一个超参数
RFM模型，漏斗分析，AARRR模型
一、概述
1、无监督学习：训练时只需要一个特征矩阵x，不需要标签y，例如PCA
2、聚类（无监督分类）VS 分类
1）在已经知晓的类别上，给未知的样本标上标签（分类）；在完全不知道标签的情况下，探索分布上的分类（聚类）
2）分类结果确定，聚类结果不确定
3、sklearn中的聚类算法（类和函数两种表现形式）输入数据可以是相似性矩阵（行和列都是n_samples)，可以使用sklearn.metric.pairwise模块中函数获取相似性矩阵
RFM模型，漏斗分析，AARRR模型
一、概述
1、无监督学习：训练时只需要一个特征矩阵x，不需要标签y，例如PCA
2、聚类（无监督分类）VS 分类
1）在已经知晓的类别上，给未知的样本标上标签（分类）；在完全不知道标签的情况下，探索分布上的分类（聚类）
2）分类结果确定，聚类结果不确定
RFM模型，漏斗分析，AARRR模型
分箱：
1）评分卡核心，本质是离散化连续变量
2）分多少箱子合适？4-5个最佳
3）离散化必然伴随信息损失，IV：用于衡量特征对预测函数的贡献，<0.03特征可以删除，太高的也删除（特征选择）IV可以帮助找出合适的分箱个数。
4）分箱想要达成什么效果？组间差异大，组内差异小，用卡方检验对比箱子相似性，卡方检验p值越大越相似
4、二元回归与多元回归：重要参数solver，multi_class
1）multi_class
"ovr"，二分类；"multinormial"，多分类，在solver="liblinear"时不可用；"auto" 自动选择，默认
2）solver：选择求解器
"liblinear"：求解方式为坐标下降法，默认，二分类专用
"lbfgs","newton-cg"利用海森矩阵求解，只支持l2正则化，不适合
"sag"：随机平均梯度下降，只支持l2正则化
"saga"："sag"的进化，支持l1,l2正则化
5、样本不平衡参数class_weight
1）样本不平衡：标签某一类占有很大比例，或误分类代价很高，该参数给少量标签更多权重
2）默认为None，所有标签相同权重；误分类代价很高，选”balanced"
3） 参数很难用，处理样本不平衡一般用采样法。上采样：增加少数类样本；下采样：减少多数类的样本
4、二元回归与多元回归：重要参数solver，multi_class
1）multi_class
"ovr"，二分类；"multinormial"，多分类，在solver="liblinear"时不可用；"auto" 自动选择，默认
2）solver：选择求解器
"liblinear"：求解方式为坐标下降法，默认，二分类专用
"lbfgs","newton-cg"利用海森矩阵求解，只支持l2正则化，不适合
"sag"：随机平均梯度下降，只支持l2正则化
"saga"："sag"的进化，支持l1,l2正则化
3、梯度下降：重要参数max_iter
max_iter（最大迭代次数）人为设置的步数限制，越大，步长越小，模型迭代时间越长
多元函数的梯度：多元函数对各个自变量求偏导，求解梯度（向量）=损失函数 J(θ1,θ2)对其自身自变量θ1,θ2求偏导
a为步长，是梯度向量大小dj上的一个比例，dj为梯度向量大小
3、梯度下降：重要参数max_iter
max_iter为人为设置的步数限制
多元函数的梯度：多元函数对各个自变量求偏导，求解梯度（向量）=损失函数 J(θ1,θ2)对其自身自变量θ1,θ2求偏导
a为步长，dj
3、梯度下降：重要参数max_iter
max_iter为人为设置的步数限制
系数累加法，简单快速的包装法
逻辑回归
一、概述
1、逻辑回归是用于分类的回归算法，可做二分类，也可做多分类
2、逻辑回归的sigmoid函数（记住公式和图像）
z越大g(z)越靠近1，z越小g(z)越靠近0，将任何数据压缩到（0,1）
3、逻辑回归的优点：对线性关系拟合效果极好；计算速度快；返回不是固定0、1，而是小数形式类概率数字
4、目的是求解使模型拟合效果最好的参数，方式是梯度下降SGD
二、linear_model.LogisticRegression
1、损失函数：求解最优参数的工具，用来衡量参数为θ的模型拟合训练集产生的信息损失的大小。
追求损失函数最小化的参数组合。（不求解参数的模型就没有损失函数，比如KNN，决策树）
对逻辑回归过拟合的控制，通过正则化实现。
2、控制过拟合的两个参数
1）penalty
默认="l2"，若选择"l1”，参数solver只能使用"liblinear"和"saga"
l1正则化会把参数压缩到0，本质特征选择，越强、0越多、参数越稀疏，防止过拟合。数据维度高：l1正则化。
l2正则化只会让参数尽量小，不会取到0。
2）C：正则化强度导数默认1.0（正则项：损失函数=1:1），越小，对模型惩罚越大，正则化强度越大。
3、重要属性
1）coef_：每个特征对应参数，值越大，对逻辑回归的贡献越大
三、逻辑回归中的特征工程
一般不用PCA，SVD，因为会抹去特征的可解释性；统计方法可以使用，但不必要；嵌入法较高效（尽量保留数据信息&降维）
x_embedded=SelectFromModel(LR_,norm_order=1).fit_transform(x,y)
#参数1：模型
#参数2：threshold是筛选特征的阈值，可以取到的最大值是系数的最大值
abs(LR_.fit(x,y).coef_).max()
#参数3：norm_order=1，使用l1范式，模型删除所有在l1范式下判断无效的特征
逻辑回归模型评估指标
metric.confusion_matrix
metric.roc_auc_score
metric.accuracy_score
1、向量一般写成列向量
2、模型属性都是在fit之后查看
3、np.linspace(start,end,num)包括end
4、predict返回的是一个预测的值，predict_proba返回的是对于预测为各个类别的概率
逻辑回归
一、概述
1、逻辑回归是用于分类的回归算法，可做二分类，也可做多分类
2、逻辑回归的sigmoid函数（记住公式和图像）
z越大g(z)越靠近1，z越小g(z)越靠近0，将任何数据压缩到（0,1）
3、逻辑回归的优点：对线性关系拟合效果极好；计算速度快；返回不是固定0、1，而是小数形式类概率数字
4、目的是求解使模型拟合效果最好的参数，方式是梯度下降SGD
二、linear_model.LogisticRegression
1、损失函数：求解最优参数的工具，用来衡量参数为θ的模型拟合训练集产生的信息损失的大小。
追求损失函数最小化的参数组合。（不求解参数的模型就没有损失函数，比如KNN，决策树）
对逻辑回归过拟合的控制，通过正则化实现。
2、控制过拟合的两个参数
1）penalty
默认="l2"，若选择"l1”，参数solver只能使用"liblinear"和"saga"
l1正则化会把参数压缩到0，本质特征选择，越强、0越多、参数越稀疏，防止过拟合。数据维度高：l1正则化。
l2正则化只会让参数尽量小，不会取到0。
2）C：正则化强度导数默认1.0（正则项：损失函数=1:1），越小，对模型惩罚越大，正则化强度越大。
3、重要属性
1）coef_：每个特征对应参数
三、逻辑回归中的特征工程
一般不用PCA，SVD，因为会抹去特征的可解释性，统计方法可以使用，但不必要
逻辑回归模型评估指标
metric.confusion_matrix
metric.roc_auc_score
metric.accuracy_score
1、向量一般写成列向量
2、模型属性都是在fit之后查看
3、np.linspace(start,end,num)包括end
4、predict返回的是一个预测的值，predict_proba返回的是对于预测为各个类别的概率
5、
逻辑回归
一、概述
1、逻辑回归是用于分类的回归算法，可做二分类，也可做多分类
2、逻辑回归的sigmoid函数（记住公式和图像）
z越大g(z)越靠近1，z越小g(z)越靠近0，将任何数据压缩到（0,1）
3、逻辑回归的优点：对线性关系拟合效果极好；计算速度快；返回不是固定0、1，而是小数形式类概率数字
4、目的是求解使模型拟合效果最好的参数，方式是梯度下降SGD
二、linear_model.LogisticRegression
1、损失函数：求解最优参数的工具，用来衡量参数为θ的模型拟合训练集产生的信息损失的大小。
追求损失函数最小化的参数组合。（不求解参数的模型就没有损失函数，比如KNN，决策树）
对逻辑回归过拟合的控制，通过正则化实现。
2、控制过拟合的两个参数
1）penalty
默认="l2"，若选择"l1”，参数solver只能使用"liblinear"和"saga"
l1正则化会把参数压缩到0，本质特征选择，越强、0越多、参数越稀疏，防止过拟合。数据维度高：l1正则化。
l2正则化只会让参数尽量小，不会取到0。
2）C：正则化强度导数默认1.0（正则项：损失函数=1:1），越小，对模型惩罚越大，正则化强度越大。
3、重要属性
1）coef_：每个特征对应参数
逻辑回归模型评估指标
metric.confusion_matrix
metric.roc_auc_score
metric.accuracy_score
1、向量一般写成列向量
2、模型属性都是在fit之后查看
3、np.linspace(start,end,num)包括end
4、predict返回的是一个预测的值，predict_proba返回的是对于预测为各个类别的概率
5、
逻辑回归
一、概述
1、逻辑回归是用于分类的回归算法，可做二分类，也可做多分类
2、逻辑回归的sigmoid函数（记住公式和图像）
z越大g(z)越靠近1，z越小g(z)越靠近0，将任何数据压缩到（0,1）
3、逻辑回归的优点：对线性关系拟合效果极好；计算速度快；返回不是固定0、1，而是小数形式类概率数字
4、目的是求解使模型拟合效果最好的参数，方式是梯度下降SGD
二、linear_model.LogisticRegression
1、损失函数：求解最优参数的工具，用来衡量参数为θ的模型拟合训练集产生的信息损失的大小。
追求损失函数最小化的参数组合。（不求解参数的模型就没有损失函数，比如KNN，决策树）
对逻辑回归过拟合的控制，通过正则化实现。
逻辑回归模型评估指标
metric.confusion_matrix
metric.roc_auc_score
metric.accuracy_score
向量一般写成列向量
逻辑回归
一、概述
1、逻辑回归是用于分类的回归算法，可做二分类，也可做多分类
2、逻辑回归的sigmoid函数（记住公式和图像）
z越大g(z)越靠近1，z越小g(z)越靠近0，将任何数据压缩到（0,1）
3、逻辑回归的优点：对线性关系拟合效果极好；计算速度快；返回不是固定0、1，而是小数形式类概率数字
4、目的是求解使模型拟合效果最好的参数，方式是梯度下降SGD
二、linear_model.LogisticRegression
逻辑回归模型评估指标
metric.confusion_matrix
metric.roc_auc_score
metric.accuracy_score
向量一般写成列向量
逻辑回归
一、概述
1、逻辑回归是用于分类的回归算法，可做二分类，也可做多酚
2、逻辑回归的sigmoid函数（记住公式和图像）
z越大g(z)越靠近1，z越小g(z)越靠近0，将任何数据压缩到（0,1）
3、逻辑回归的优点：对线性关系拟合效果极好；计算速度快；返回不是固定0、1，而是小数形式类概率数字
向量一般写成列向量
逻辑回归
一、概述
1、逻辑回归是用于分类的回归算法
2、逻辑回归的sigmoid函数（记住公式和图像）
z越大g(z)越靠近1，z越小g(z)越靠近0，将任何数据压缩到（0,1）
3、
向量一般写成列向量
逻辑回归
为线加噪音：