逻辑回归（Logistic Regression）逻辑回归：是一个非常经典的算法。是一种用于解决二分类（0 or 1）问题的机器学习方法，用于估计某种事物的可能性。注：这里用的是“可能性”，而非数学上的“概率”，logisitc回归的结果并非数学定义中的概率值，不可以直接当做概率值来用。该结果往往用于和其他特征值加权求和，而非直接相乘。逻辑回归与线性回归逻辑回归（Logistic Regressi

线性回归（Linear Regression）是一种非常简单、用处非常广泛、含义也非常容易理解的一类经典的算法，非常合适作为机器学习的入门算法。线性回归就是拟合出一个线性组合关系的函数。要找一条直线，并且让这条直线尽可能地拟合所有数据点。即：试图找到一条直线，使所有样本到直线上的欧式距离之和最小。一元线性回归（Linear Regression）拟合出一个线性组合关系的函数：y = wx+b 。拟

传统划分：1、召回根据用户部分特征，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品。特点：速度快。2、排序可以融入较多特征，使用复杂模型，来精准地做个性化推荐。特点：结果精准。精细划分：1、召回（多路召回）根据用户部分特征，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品。2、粗排（可用可不用，根据场景选择）通过少量用户和物品特征，简单模型，对召回的结果进行个粗略的排序，保证一定精准

kNN（k-Nearest Neighbors，k近邻）是机器学习中非常基础的一种算法，算法原理简单而且容易实现，结果精度高，无需估计参数，无需训练模型，而且不仅可以用于分类任务，还可以应用到回归问题。作为开始学习机器学习的入门是一个很好的选择。俗话说：近朱者赤，近墨者黑，物以类聚，人以群分。KNN算法就是这样。它使相同类别的样本在特征空间中聚集在一起。分类时一般采用多数表决投票法，即训练集里和预

逻辑回归（Logistic Regression）逻辑回归：是一个非常经典的算法。是一种用于解决二分类（0 or 1）问题的机器学习方法，用于估计某种事物的可能性。注：这里用的是“可能性”，而非数学上的“概率”，logisitc回归的结果并非数学定义中的概率值，不可以直接当做概率值来用。该结果往往用于和其他特征值加权求和，而非直接相乘。逻辑回归与线性回归逻辑回归（Logistic Regressi

线性回归（Linear Regression）是一种非常简单、用处非常广泛、含义也非常容易理解的一类经典的算法，非常合适作为机器学习的入门算法。线性回归就是拟合出一个线性组合关系的函数。要找一条直线，并且让这条直线尽可能地拟合所有数据点。即：试图找到一条直线，使所有样本到直线上的欧式距离之和最小。一元线性回归（Linear Regression）拟合出一个线性组合关系的函数：y = wx+b 。拟

本文包含数据结构与算法主要的基本知识点，便于知识的梳理和回顾。如需详细了解具体知识点请自行结合课本或者网上查阅。目录1、概述2、线性表3、栈4、队列5、串6、多维数组和广义表7、树和二叉树8、图9、查找10、排序1、概述从2、线性表3、栈4、队列5、串6、多维数组和广义表7、树和二叉树8、图9、查找10、排序...

线性回归（Linear Regression）是一种非常简单、用处非常广泛、含义也非常容易理解的一类经典的算法，非常合适作为机器学习的入门算法。线性回归就是拟合出一个线性组合关系的函数。要找一条直线，并且让这条直线尽可能地拟合所有数据点。即：试图找到一条直线，使所有样本到直线上的欧式距离之和最小。一元线性回归（Linear Regression）拟合出一个线性组合关系的函数：y = wx+b 。拟

逻辑回归（Logistic Regression）逻辑回归：是一个非常经典的算法。是一种用于解决二分类（0 or 1）问题的机器学习方法，用于估计某种事物的可能性。注：这里用的是“可能性”，而非数学上的“概率”，logisitc回归的结果并非数学定义中的概率值，不可以直接当做概率值来用。该结果往往用于和其他特征值加权求和，而非直接相乘。逻辑回归与线性回归逻辑回归（Logistic Regressi

kNN（k-Nearest Neighbors，k近邻）是机器学习中非常基础的一种算法，算法原理简单而且容易实现，结果精度高，无需估计参数，无需训练模型，而且不仅可以用于分类任务，还可以应用到回归问题。作为开始学习机器学习的入门是一个很好的选择。俗话说：近朱者赤，近墨者黑，物以类聚，人以群分。KNN算法就是这样。它使相同类别的样本在特征空间中聚集在一起。分类时一般采用多数表决投票法，即训练集里和预