1.知道逻辑回归的应用场景2.复习逻辑回归应用到的数学知识solver损失函数优化方法训练速度:liblinear 对小数据集场景训练速度更快，sag 和 saga 对大数据集更快一些。newton-cg、lbfgs、sag、saga 支持 L2 正则化或者没有正则化2liblinear 和 saga 支持 L1 正则化penalty:正则化的种类，l1 或者 l2C:正则化力度默认将类别数量少的

学习目标1.理解决策树算法的基本思想2.知道构建决策树的步骤决策树是什么？决策树是一种树形结构，树中每个内部节点表示一个特征上的判断，每个分支代表一个判断结果的输出，每个叶子节点代表一种分类结果决策树的建立过程1.特征选择：选取有较强分类能力的特征。2.决策树生成：根据选择的特征生成决策树。3.决策树也易过拟合，采用剪枝的方法缓解过拟合。Cart模型是一种决策树模型，它即可以用于分类，也可以用于回

1.理解K近邻算法的思想2.知道K值选择对结果影响3.知道K近邻算法分类流程4.知道K近邻算法回归流程1.掌握KNN算法分类API2.掌握KNN算法回归API数据文件 train.csv 和 test.csv 包含从 0 到 9 的手绘数字的灰度图像。每个图像高 28 像素，宽28 像素，共784个像素。每个像素取值范围[0,255]，取值越大意味着该像素颜色越深训练数据集（train.csv）共

想象一下，你正在教一个婴儿认识猫。你会怎么做？你会一遍又一遍地给他看各种猫的图片，告诉他“这是猫”。慢慢地，即使看到一只它从未见过的、姿势奇怪的猫，他也能认出来。深度学习，就是让计算机模仿这个过程，通过海量的数据“学习”如何完成任务，而不是由人类程序员一条条地编写规则。它是机器学习的一个分支，而机器学习又是人工智能的核心技术之一。人工智能 > 机器学习 > 深度学习。

字符串是 Python 中最常用的数据类型。我们一般使用引号来创建字符串。创建字符串很简单，只要为变量分配一个值即可。案例1：使用单引号或双引号定义字符串变量案例2：使用3个引号定义字符串变量'''"""注意：三引号形式的字符串支持换行操作案例3：思考如何使用字符串定义"I’m Tom"使用单引号情况运行结果：出现以上问题的主要原因在于，以上字符串的定义代码出现了(syntax)语法错误。

1.理解线性回归是什么？2.知道一元线性回归和多元线性回归的区别3.知道线性回归的应用场景数据介绍给定的这些特征，是专家们得出的影响房价的结果属性。我们此阶段不需要自己去探究特征是否有用，只需要使用这些特征。到后面量化很多特征需要我们自己去寻找。

1.知道集成学习是什么？2.了解集成学习的分类3.理解bagging集成的思想4.理解boosting集成的思想Adaptive Boosting(自适应提升)基于 Boosting思想实现的一种集成学习算法核心思想是通过逐步提高那些被前一步分类错误的样本的权重来训练一个强分类器。弱分类器的性能比随机猜测强就行，即可构造出一个非常准确的强分类器。训练时，样本具有权重，并且在训练过程中动态调整。被分

用于训练的数据集特征对模型的性能有着极其重要的作用。如果训练数据中包含一些不重要的特征，可能导致模型的泛化性能不佳。某些特征的取值较为接近，其包含的信息较少我们希望特征独立存在，对预测产生影响，具有相关性的特征可能并不会给模型带来更多的信息，但是并不是说相关性完全无用。降维是指在某些限定条件下，降低特征个数， 我们接下来介绍集中特征降维的方法：低方差过滤法，相关系数法，PCA（主成分分析）降维法。

一种典型的无监督学习算法，主要用于将相似的样本自动归到一个类别中。目的是将数据集中的对象分成多个簇（Cluster），使得同一簇内的对象相似度较高，而不同簇之间的对象相似度较低。与分类不同，聚类不需要事先给定类别标签，算法根据数据本身的特征自动地将数据分组。在聚类算法中根据样本之间的相似性，将样本划分到不同的类别中，对于不同的相似度计算方法，会得到不同的聚类结果，常用的相似度计算方法有欧式距离法。

（Deep Learning）是机器学习的分支，是一种以的算法。深度学习中的形容词“深度”是指在网络中使用多层。深度学习核心思想是，擅长处理高维数据，如图像、语音和文本。