【线性回归】
1.线性回归入门
1.1数据生成
设定一个二位函数，生成离散数据点，对每个数据点加噪声（波动），最后看算法的拟合（回归效果）。
（1）导入numpy处理数据
（2）导入matplotllib作图
（3）定义一个函数 wx+b
设置随机种子、设置采样数据点个数
（4）生成随机数据作为训练集、加噪声
1.2定义模型
From import直接从sklearn库中导入线性回归模型，然后定义模型model=
这个类的输入参数少，不需要多加设置，直接训练 model.fit( )，然后输出模型参数w、b
将得到的wb与设置的wb对比
1.3模型测试与比较
2.多项式回归
选一批数据测试，通过画图看看算法模型与实际模型的差距。
更复杂更高维的情况：多项式回归
思路：先将m次多项式转化为m线性回归方程，再用线性回归方法求出参数。
将多项式特征分析器和线性回归串联，算出线性回归的参数之后倒推回去。
【逻辑回归】
二分类任务
假设函数
损失函数：用来衡量模型的好坏。用极大似然估计法定义损失函数。
根据凸优化理论，由梯度下降法求出最优解。
训练算法：输入：训练数据、训练标签。矩阵形式
输出：训练好的模型参数
初始化模型参数、迭代次数、学习率
【语法笔记】
1.
> np.random.seed(x)
> np.random.randn(n)
取一组随机数，这一组编号为x
从编号为x的这组数里，选前n个出来
注：只调用一次seed()，两次的产生随机数不同；调用两次seed()，两次产生的随机数相同；调用两次同一编号的seed，取的n不同，产生的随机数会从同一组seed中出来，只是数量n不同。
2.
> np.sort(a,1)将数组a按行排序。1可以不写，默认为1
(a,0)按列排序
> a.reshape(x,y,z)
将数组a重新排列为x行y列z维的数组
