线性回归线性分类模型小结

线性回归 线性分类模型小结

线性模型（Linear Model）是机器学习中应用最广泛的模型，指通过样本特征的线性组合来进行预测的模型。

1.首先区分回归和分类

输出为连续值–回归问题

输出为离散值–分类问题

注意：
线性回归用于解决回归问题，而 LR （Logisitic Regression逻辑回归）和 SVM（支持向量机）等线性模型用于解决分类问题。具体线性分类概况如下图。

Fisher线性判别准则

分类能力最强的分类线，他的垂线能让两类数据之间隔得最远，而让同一类数据靠的最紧密。

2.Logistic回归（对数几率回归）

把线性函数的值域从实数区间“挤压”到了(0,1)之间，可以用来表示概率。

3.Softmax回归

Softmax Regression，也称为多项（Multinomial）或多类 （Multi-Class）的 Logistic 回归，是 Logistic 回归在多分类问题上的推广。

4.感知机

感知机 由 Frank Rosenblatt 于1958年提出，是 一种广泛使用的线性分类器 。 感知器可谓是最简单的人工神经网络， 只有一个神经元。 模拟生物神经元行为的机器，有与生物神经元相对应的部件，如权重（突触）、 偏置（阈值）及激活函数（细胞体），输出为+1或-1。

5.线性分类模型小结：

部分选自链接：https://blog.csdn.net/qq_45956730/article/details/125688529