《机器学习》线性模型

很幸运能遇到一帮志同道合的朋友，一起学习，探索知识的海洋。最近，我们一起在研读《机器学习》周志华老师的西瓜书。

本篇的分享是关于第三章的内容——线性模型，由硕和源两位分享。由于硕分享的方式以自己问朋友们答为主没有相应的文本内容，故而这里分享源的slides。源所讲解的内容包含了第三章整一章，分享时大家讨论很热烈，收获不小。那么，接下来让我们看一看slides。以下所有slides的著作权是源的哈，如果大家看了之后有所启发和收获，打赏我的，我会转给他们哈～

线性模型是机器学习方法中，最为基础的内容，打下好的基础，会为后面理解更复杂的算法提供帮助。那么首先，先从线性回归开始。

书中有提到“闭合(closed-form solution)解”的概念，我们在硕分享时也有学习。此处也简单介绍。

解析解(analytical solution)就是一些严格的公式，给出任意的自变量就可以求出其因变量，也就是问题的解，他人可以利用这些公式计算各自的问题。解析解为一封闭形式(closed-form)的函数，因此对任一独立变量，我们皆可将其带入解析函数求得正确的相依变量。因此，解析解也被称为闭合解(closed-form solution)。

数值解(numerical solution)是采用某种计算方法，如有限元的方法，数值逼近，插值的方法，得到的解。

举个例子：

x^2 = 6，求解x。

x的解析解为sqrt(6)

x的数值解为2.449

接着，对数几率回归。

对数几率函数是一种 “Sigmoid 函数”，而Sigmoid函数是神经网络常用的激活函数（即人工神经网络的神经元上运行的函数）之一。

其次，线性判别式。

多分类问题，可理解为多个二分类问题，即将某个分类与其他所有类分开。

类别不平衡问题，在实际的应用场景中非常常见，其解决方案也需要我们熟知，如下：

书中还有大量的公式。数学好的、有兴趣的朋友，不妨试着推导一下，遇到问题，度娘还是会分享前人看过后的思考，可以指引推导哈。

据说，有必要在最后放上一个二维码，这样方便大家关注