一、基本形式

通过属性的线性组合来进行预测，

许多非线性模型可以在线性模型的基础上，引入层级结构或高维映射而得。

二、线性回归

最小二乘法：求解ω和b；

多元线性回归：样本由多个属性描述，即x为多维向量；

若矩阵不满秩产生多个解，解决方法：引入正则化项；

三、对数/逻辑线性回归

广义线性模型：

g(.)条件：连续且充分光滑（单调可微）

为了预测值连续，引入Sigmoid函数 

得到，

极大似然估计：求解ω和b

四、线性判别分析LDA

也叫“Fisher判别”

将样例投影到一条直线上，使同类样例投影点尽可能接近，异类样例投影点尽可能远离；

五、多分类策略

“一对一”

“一对其余”    one vs rest/ one vs all

“多对多”

六、类别不平衡问题

假设 正例<反例

“再平衡”“再缩放”：根据正、反例比例调节阈值

对反例“欠采样”

对正例“过采样”

注意：这里“欠采样”与“过采样”均有专门算法，不能简单“随机丢弃”或者“随机重复”。

【基础知识三】线性模型