1、Logistic regression 简单介绍  又称对数几率回归；首先，逻辑回归处理是分类问题，对于二分类则是将线性函数的输出结果通过sigmoid函数映射到0/1标签，即越靠近1则判别为正例的概率越大，并最终通过最大似然估计优化求解。逻辑回归：模型构建、估计参数求解、结果解读笔记2、 逻辑回归评估器中的参数解释LogisticRegression?参数解释penalty正则化项dual是

使用as.matrix报错：

其中g(⋅)g(·)g(⋅)为联系函数（link function），g−1(⋅)g^{-1}(·)g−1(⋅)为联系函数的反函数（如y=ex与ln(y)=xy=e^x与ln(y)=xy=ex与ln(y)=x）。而如上例中的情况，也就是当联系函数为自然底数的对数函数时，该模型也被称为对数线性模型（logit linear model）。...

一、决策树的核心思想  决策树：从根节点开始一步步走到叶子节点（决策），所有的数据最终都会落到叶子节点，既可以做分类也可以做回归。树的组成  - 根节点（root node）：第一个选择点，有零条或者多条出边的点；  - 内部点（internal node）：只有一条入边并且有两条或多条出边的点；  - 叶节点（leaf node）：最终的决策结果；二、决策树的分类与流派（ID3、C4.5、C5.

（2）Boosting 之 AdaBoostBoosting 的本质实际上是一个加法模型，通过改变训练样本权重学习多个分类器并进行一些线性组合。而 Adaboost 就是加法模型+指数损失函数+前项分布算法。Adaboost 就是从弱分类器出发反复训练，在其中不断调整数据权重或者是概率分布，同时提高前一轮被弱分类器误分的样本的权值。最后用分类器进行投票表决（但是分类器的重要性不同）...

使用as.matrix报错：

egdfuidlabelAA1AA2BB1BB1BB2resultuidlabel_listAA1,A2BB1,B2# presto实现selectuid,arra...

禁止转载，谢谢！分类模型作为使用场景最为广泛的机器学习模型，常用的二分类模型的模型评估指标有准确率（Accuracy），召回率（Recall）、F1指标（F1-Score）、受试者特征曲线（ROC-AUC）、KS曲线等一、二分类混淆矩阵（Confusion matrix）与F1-Score准确率ACC=TP+TNTP+TN+FP+FNACC=\frac{TP+TN}{TP+TN+FP+FN}ACC

回归类模型评估指标选择、局限、优势

特征归一化（Normalization）作用以及方法 Min-Max、Z-Score