常见ML算法及其对应的使用对象

             线性回归、曲线回归及逻辑回归的区别

                  在学习过程中，会遇到各种各样的算法，包括分类算法、回归算法等，这些算法有的很经典。比如线性回归、曲线回归和逻辑回归。

     1) 线性回归

                线性回归可能是我们最早学到的函数。其实线性回归是最常用的机器学习算法。比如NG视频里面讲的房屋面积x与价格y的例子。线性回归是用的最广泛的机器学习算法。

                       

    

选择模型就是:y=ax+b

特点：线性回归适合去那些非常明显的是线性关系数据。这时它的拟合效果是很好的。

                 缺点：对分线性关系的数据，拟合效果不好。

        2) 曲线拟合：又称之为多项式拟合。是为了让弥补普通线性回归不擅长处理非线性问题而设计的，它给自变量加上一些适合当前问题的非线性特征（比如指数等等），让模型可以更好地拟合当前非线性问题。虽然有一些方法来帮助判断如何选择非线性特征，可以保证模型更优秀。但动手实践过的人，都知道，那有点纸上谈兵了，效果不好，而且有些非线性很难简单地表示出来！(来自知乎)

      3)逻辑回归

其实逻辑回归和线性回归非常类似。有两点不同，第一，它比线性回归多一个sigmod函数。第二它是用来做分类的，最后有一个判断的过程。

它主要是用来分析当 因变量是分类变量的情况，且由于 本身带有一丝的非线性特征，所以在处理非线性问题时，模型表现的也挺好（要用好它，需要做好数据预处理工作，把数据打磨得十分“漂亮”）。企业十分喜欢用它来做数据挖掘，原因是算法本身表现良好，而且对模型的输出结果容易解释（领导们都听得懂）

        (源自知乎http://www.zhihu.com/question/33489751)