在讀研期間，一直在幫導師做技術開發，甚至偶爾做一做美工（幫導師和實驗室博士生畫個圖啥的），演算法還是較少接觸的，其實，我發現，演算法還是蠻好玩的，昨晚看了B站一個美女演算法工程師講了線性迴歸和邏輯迴歸兩種演算法，做下總結吧，不然看了之後過兩天就拋在腦後，忘光光了。。視訊點選這裡。
概念1：迴歸與分類問題。
1）迴歸：迴歸問題模型傾向於一個輸入點X對應著一個輸出點Y。我們們可以抽象的想象成小學時候學的（Y=aX+b）方程，即X與Y一一對應。
2）分類：分類問題也是類似於迴歸的一種計算模型，但是，差異就在分類問題的Y值（也稱label），更加離散化一些。而且，同一個Y值可能對應著一大批的X值，當然，對應的這些X肯定是有個範圍的，所以，分類問題可理解成一定區域的X值（多X）對應著一個Y（單Y）。
概念2：線性迴歸詳解與例項。
1）線性迴歸：用一個直線較為精準的描述資料之間的關係，每當出現新的資料時（X），可以預測出一個對應的輸出值（Y）。
2）例項：房屋面積與房價的對應關係。
訓練資料如下：
根據上面的這個訓練集，擬合一條直線，表示面積與房價的關係，但是呢，不同的人擬合的直線是不同的，所以，我們必須找到一條最合理的直線。
如何找出這條直線，就是要求出各個點到直線的距離，讓這個距離最小，那這條直線就是我們要求的。
3）總結（3部）
1.構造預測函式（也就是構造那個擬合的直線，這裡是多維線性迴歸）
2.構造損失函式
3.最小化損失函式
概念3：邏輯迴歸詳解。
細說：邏輯迴歸是線上性迴歸的基礎上巢狀了一個sigmoid函式，目的是將線性迴歸函式的結果對映到sigmoid函式中（如下圖）。
我們知道，線性迴歸的模型是求出輸出特徵向量Y和輸入樣本矩陣X之間的線性關係係數θ，滿足Y=Xθ。此時我們的Y是連續的，所以是迴歸模型。
如果我們想要Y是離散的話，怎麼辦呢？一個可以想到的辦法是，我們對於這個Y再做一次函式轉換，變為g(Y) -- 即為如下的sigmoid函式。
如果我們令g(Y)的值在某個實數區間的時候是類別A，在另一個實數區間的時候是類別B，以此類推，就得到了一個分類模型。
如果結果的類別只有兩種，那麼就是一個二元分類模型了。邏輯迴歸的出發點就是從這來的。
步驟：（構造過程可借鑑這裡）
1）構造預測函式
2）構造損失函式
3）最小化損失函式
概念4：兩種演算法的步驟總結
1）找一個合適的預測函式（hypothesis，h函式），該函式就是我們需要找的分類函式，他用來預測輸入資料的判斷結果，需要對資料分佈有一定的瞭解，比如是線性函式還是非線性函式。
2）構造一個Cost函式（損失函式），該函式表示預測的輸出（h函式）與訓練資料類別（Y）之間的偏差，即為（h-Y），綜合考慮所有的訓練資料的“損失”，記為J(θ)函式，表示所有訓練資料與實際資料之間的偏差。
3）J(θ)函式的值越小表示預測函式越準確，所以這一步是找出最小的J(θ)。