多元回归笔记

四个模型，五次课

要求：统计基础、数学基础

第一节课  多元回归
最大似然估计，梯度下降，特征选择
你对线性回归的理解？
为什么是1/2；多数人的理解也都在一般层级
如何去学习一个算法（what?how?十分重要非常重要）
what？
模型是根据什么构造的，解决什么问题
连续型和离散型
how?
如何得到模型的解
为什么叫回归，高尔顿，自然界冥冥中分布是有规律的
两个学派
1/2怎么来的？为什么不可以1/3，1/4。
算回归的时候还有个直观感觉，如果是支持向量机就没那么好理解的
最大似然函数
最初来源是byes公式；
如果Ai逼近oo
概率------
在theto知道的情况下，
贝叶斯公式，全概率公式，这些在工作十分重要，将业务转化为公式，滴滴、、

最大似然估计公式：相乘
求最大值很有用
求导。，算密度函数
误差
中心极限定理
很多独立分布事件合在一起就是高斯分布

似然函数
前面使用log

logstic函数
泰勒
拉格朗日

模型损失函数

当时时间当时地点，未来概率

如何使得模型简单优好，
业务达到最优，大量测试，不断抽样，测试稳定性。
可解释性和精准性，数据与业务逻辑，很多时候要检查的，有很多坑的

理论、模型、工具、数据处理（怎么来的，合不合理）、业务、写代码

下节课
怎么求解、怎么过拟合
逻辑回归
马尔可夫

分类是先用logistic回归跑一下，结果好在去找其他的方法

我们现在只能解决相关问题，不能解决因果问题

公司把业务总结出一个表达式，然后确定表达式是分类还是预测