线性回归与逻辑回归
主要是三个概念：损失函数、梯度下降、过拟合与正则化
1、线性回归——连续值变量的预测
学习率太小，收敛很慢；学习率太大，可能会震荡。
过拟合：参数过多，导致失去一般性
解决过拟合的评价问题，对损失函数进行正则化：损失函数不仅考虑预测值与真实值的误差，还考虑到参数θ
（过拟合时，因为曲线会尽可能多的穿过所有的点，使得曲线弯弯曲曲，十分不平滑，会导致参数θ相对比较大，这样才能扭转之前的曲线运动趋势，保证曲线穿过所有不规则分布的点）
逻辑斯特回归：用于分类
线性回归+阈值：用于分类，鲁棒性不够，受噪声影响太大
既然不能用绝对的值进行分类划分，就使用一个相对的值，这个值就是概率。所以将回归预测到的值映射到0-1，表示概率。
sigmod函数可以将任何连续的值映射到0-1之间，综上，逻辑回归就是在找一条判定边界
损失函数：线性回归的损失函数不能用于逻辑斯特回归，否则它损失函数曲线是不光滑的，是跳变的曲线，是非凸函数，不能使用深度下降法找到全局最小值。
损失函数首先希望它是凸函数，如果是一个正样本，如果你强制把它判成负样本，也就是预测的正样本的概率很小，这是它的损失函数就是一个很大的正数损失。这就是互熵损失。
LR分类是很基础的一个算法，之后还会学到SVM、GBDT和RandomForest，至于哪个最好，算法很难比较好与坏
一般工业界认为，最简单的东西，如果有效果是最可靠的，因为复杂的东西难以把握。
上图第三点，假如区分容易受照顾的人，那么将年龄离散化，发现老人小孩都需要照顾，从而带来一定非线性
最后一点，因为离散化之后，均变为了0和1，这样就减少了很多的波动点，可以避免过拟合。