迴歸的演算法
線性迴歸 Linear Regression、
多項式迴歸 Polynomial Regression
迴歸在統計中相當常見。
迴歸的演算法，
即藉由尋找每個 x 的權重 w 與 b 去寫出預測的方程式。
若以直線去趨近資料，則稱為線性迴歸 (Linear Regression)；
若是以曲線趨近資料，則為多項式迴歸 (Polynomial Regression)。
另外，也有以分類器為
趨型的迴歸樹（以決策樹為雛形）、
SVR（Support Vector Regression，以 SVM 為雛形），
能夠處理非線性的資料。
一般在操作慣例上會移除掉相關度非常高的變數以及離群值，以提高精確度。
線性迴歸已經發展許多年，連現在的excel都內建將資料分布畫出趨勢線的功能，
是一個易於上手、能快速導入的演算法。
分類的演算法
邏輯迴歸 Logistic Regression
初次聽到邏輯迴歸的人會以為他是處理迴歸問題、計算連續變量使用，
但其實這個演算法的輸出適用於二分類。
它是基於線性迴歸所做的二分類，再加上一個乙狀函數 (Sigmoid Function)
讓輸出壓縮至 0 到 1 的範圍內，以便判斷二分類的機率；
當輸出結果為正，趨近於 1，輸出結果為負，趨近於 0。
邏輯迴歸有幾個特點：
1.可用於
在線學習（Online Learning，逐步輸入資料再最佳化資料）或
批次學習（Batch Learning，先輸入所有資料再最佳化）
2.學習速度快，預測性能普通
3.可輸出 機率值，而 非輸出 特定結果
發表文章
