Task4建模与调参4.1学习目标学习机器学习模型的建模过程与调参流程完成相应学习打卡任务4.2内容介绍逻辑回归模型：理解逻辑回归模型；逻辑回归模型的应用；逻辑回归的优缺点；树模型：理解树模型；树模型的应用；树模型的优缺点；集成模型基于bagging思想的集成

一、介绍JUnit是一款优秀的开源Java单元测试框架，也是目前使用率最高最流行的测试框架，开发工具Eclipse和IDEA对JUnit都有很好的支持，JUnit主要用于白盒测试和回归测试。<!more白盒测试：把测试对象看作一个打开的盒子，程序内部的逻辑结构和其他信息对测试人员是公开的；回归测试

importmatplotlib.pyplotaspltimportnumpyasnpfromkerasimportSequentialfromkeras.layersimportDensexnp.linspace(10,10,300)y3x

fromkeras.modelsimportSequentialfromkeras.layersimportDensefromkeras.datasetsimportmnistfromkeras.utilsimportnp_utils(X_train,y_train),(X

1、概念独热编码（OneHotEncoding） 将表示为标签索引的分类特征映射到二进制向量，该向量最多具有一个单一的单值，该单值表示所有特征值集合中特定特征值的存在。此编码允许期望连续特征（例如逻辑回归）的算法使用分类特征。对于字符串类型的输入数据，通常首先使用StringIndexer

前言上一篇使用逻辑回归预测了用户性别，由于矩阵比较稀疏所以会影响训练速度。所以考虑降维，降维方案有很多，本次只考虑PCA和SVD。PCA和SVD原理有兴趣的可以自己去研究一下https://medium.com/@jonathan\_hui/machinelearningsingularvaluedecomp

前言上一篇写了推荐系统最古老的的一种算法叫协同过滤，古老并不是不好用，其实还是很好用的一种算法，随着时代的进步，出现了神经网络和因子分解等更优秀的算法解决不同的问题。这里主要说一下逻辑回归，逻辑回归主要用于打分的预估。我这里没有打分的数据所以用性别代替。这里的例子就是用歌曲列表预判用户性别。什么是逻辑回归逻辑回归的资料比

Linuxcare是linux发展前期第一个对linux做支持的公司。在1998年，Linuxcare开展了面对出版业的业务，华尔街日报等主流商业刊物都是他们的客户，Linuxcare帮助这些出版社将他们的工作转移到Linux系统上。不过整个业务进展并不顺利，最后由于资金短缺，公司管理层决定暂时关闭Linuxcare。现在，十年后，他的

sklearn中LogisticsRegression的coef\_和intercept\_的具体意义​使用sklearn库可以很方便的实现各种基本的机器学习算法，例如今天说的逻辑斯谛回归（LogisticR

资料获取地址见文末或评论！一、预备知识微积分（偏导数、梯度等等）概率论与数理统计（例如极大似然估计、中央极限定理、大数法则等等）最优化方法（比如梯度下降、牛顿拉普什方法、变分法（欧拉拉格朗日方程）、凸优化等等）二、路线1（基于普通最小二乘法的）简单线性回归线性回归中的新进展（岭回归和LASSO回归）(此处可以插入Bagging和AdaBoost的内容