Locally weighted regression，局部加权回归 
对于线性回归，问题是选取的特征的个数和什么特征会极大影响fit的效果。
比如下图，是分布使用下面几个模型进行拟合的 ：
  

通常会认为第一个模型underfitting（欠拟合），而第三个模型overfitting（过拟合），第二个模型相对比较好的fit到训练集 
所以可以看出，找出一个全局的线性模型去fit整个训练集，是个比较困难的工作，因为选择特征成为一个关键的因素。
局部加权线性回归的思路，就是我不需要去fit整个训练集而产生全局的模型，而是在每次predict x的时候，只去拟合x附近的一小段训练集。
无论全局训练集是多么复杂的一个分布曲线，但在局部小段数据上，都可以用线性去逼近。 
所以算法如下：

其中

 
  
可以看到我们通过weight来选取局部样本点，这里weight定义有点类似高斯分布，虽然这里和高斯分布没有关系，只是恰好相似，但是他的分布曲线确实和高斯分布一样，钟型，所以通过weight，只有距离x很近的样本点才会对于损失函数有作用。局部加权线性回归算法是一种non-parametric algorithm而普通的线性回归是parametric learning algorithm 
parametric learning algorithm有一组有限的，固定的参数，一旦完成fit，只需要保存下参数值来做预测，而不需要保存完整的训练集 。
non-parametric algorithm，相反，我们需要保存完整的训练集来进行预测，而不是仅仅保存参数 
正式定义为，the amount of stuff we need to keep in order to represent the hypothesis h grows linearly with the size of the training set. 
为了表达假设h而保存的数据随着训练集的size而线性增长。

前面讨论了线性回归问题， 
符合高斯分布，使用最小二乘来作为损失函数。下面继续讨论分类问题，分类问题和回归问题不同在于Y的取值是离散的。
我们先讨论最简单的binary classification，即Y的取值只有0和1。
分类问题一般不会使用回归模型，因为回归模型是输出是连续的，而分类问题需要的输出是离散的。但是一定要用也不是不可以，比如这里继续使用线性回归模型，但是不是非常适合，原因如下：
1、首先线性模型的Y取值是连续，且没有限制的，而二元分类的取值为[0,1]，对于线性回归模型，参考下图，可以以0.5为分界线，大于则取1，小于则取0，也可以转化为离散的结果。
2、再者，其实只有在分界线周围的样本点对分类模型会有比较大的影响，而比较远的样本点其实对模型没啥影响 
但对于线性模型而言，增加任何样本点都会对模型产生相同的影响

 
所以提出logistic回归模型，这种回归模型可以比较好的解决二元分类问题。
从本质上你仍然可以把他理解为线性模型，你可以看下面给出的H函数，只是在线性回归外面加上logistic函数进行转换，可以理解成把上图的直线转化为那条sigmoid曲线，使其更加符合二元分类的需求。但是本质上可以看成仍然是用那条直线进行划分。

机器学习-局部加权回归