在读研期间，一直在帮导师做技术开发，甚至偶尔做一做美工（帮导师和实验室博士生画个图啥的），算法还是较少接触的，其实，我发现，算法还是蛮好玩的，昨晚看了B站一个美女算法工程师讲了线性回归和逻辑回归两种算法，做下总结吧，不然看了之后过两天就抛在脑后，忘光光了。。视频点击这里。
概念1：回归与分类问题。
1）回归：回归问题模型倾向于一个输入点X对应着一个输出点Y。咱们可以抽象的想象成小学时候学的（Y=aX+b）方程，即X与Y一一对应。
2）分类：分类问题也是类似于回归的一种计算模型，但是，差异就在分类问题的Y值（也称label），更加离散化一些。而且，同一个Y值可能对应着一大批的X值，当然，对应的这些X肯定是有个范围的，所以，分类问题可理解成一定区域的X值（多X）对应着一个Y（单Y）。
概念2：线性回归详解与实例。
1）线性回归：用一个直线较为精准的描述数据之间的关系，每当出现新的数据时（X），可以预测出一个对应的输出值（Y）。
2）实例：房屋面积与房价的对应关系。
训练数据如下：
根据上面的这个训练集，拟合一条直线，表示面积与房价的关系，但是呢，不同的人拟合的直线是不同的，所以，我们必须找到一条最合理的直线。
如何找出这条直线，就是要求出各个点到直线的距离，让这个距离最小，那这条直线就是我们要求的。
3）总结（3部）
1.构造预测函数（也就是构造那个拟合的直线，这里是多维线性回归）
2.构造损失函数
3.最小化损失函数
概念3：逻辑回归详解。
细说：逻辑回归是在线性回归的基础上嵌套了一个sigmoid函数，目的是将线性回归函数的结果映射到sigmoid函数中（如下图）。
我们知道，线性回归的模型是求出输出特征向量Y和输入样本矩阵X之间的线性关系系数θ，满足Y=Xθ。此时我们的Y是连续的，所以是回归模型。
如果我们想要Y是离散的话，怎么办呢？一个可以想到的办法是，我们对于这个Y再做一次函数转换，变为g(Y) -- 即为如下的sigmoid函数。
如果我们令g(Y)的值在某个实数区间的时候是类别A，在另一个实数区间的时候是类别B，以此类推，就得到了一个分类模型。
如果结果的类别只有两种，那么就是一个二元分类模型了。逻辑回归的出发点就是从这来的。
步骤：（构造过程可借鉴这里）
1）构造预测函数
2）构造损失函数
3）最小化损失函数
概念4：两种算法的步骤总结
1）找一个合适的预测函数（hypothesis，h函数），该函数就是我们需要找的分类函数，他用来预测输入数据的判断结果，需要对数据分布有一定的了解，比如是线性函数还是非线性函数。
2）构造一个Cost函数（损失函数），该函数表示预测的输出（h函数）与训练数据类别（Y）之间的偏差，即为（h-Y），综合考虑所有的训练数据的“损失”，记为J(θ)函数，表示所有训练数据与实际数据之间的偏差。
3）J(θ)函数的值越小表示预测函数越准确，所以这一步是找出最小的J(θ)。