分类器、logistic回归

相关性

1.相关性是一种测度，用来表示两个变量在同一方向上发生变化的程度，如果x和y在变化方向上相同，那么这两个变量就是正相关；如果变化方向相反，就是负相关；如果变量之间没有关系，那么相关性就是0。

分类器

1.分类模型也称为分类器，用于对样本进行标注，表明这个样本属于一个有限的类别集合中的那个类。
2.单分类学习中，训练集中的数据仅来自一个类别，目标是学习一个模型以预测某个样本是否属于这个类别；
3.二分类学习中，训练集中的样本全部来自两个类别（通常称为阳性和阴性）,目标是找到一个可以区分两个类别的边界；
4.多分类学习的目标是可以找到可以将多个类别区分开来的边界。

分类器的评估

1.每种分类器在训练 数据上的准确度可以计算如下：
   准确度 = （真阳性+真阴性）/（真阳性+真阴性+假阳性+假阴性）    
    当两个类的大小差不多时，用准确度评价分类器是非常合适的。存在严重类别不平衡时，用准确度评价分类器会得到非常糟糕的结果。
2.当存在类别不平衡时，仍有一些统计量评估分类器：
    灵敏度 = 真阳性 / （真阳性 + 假阴性）
    特异度 = 真阴性 / （真阴性 + 假阳性）
    阳性预测值 = 真阳性 / （真阳性 + 假阳性）
    阴性预测值 = 真阴性 /（真阴性 + 假阴性）
灵敏度（某些领域称为召回率）即真阳性率，也就是正确识别阴性数量与实际阳性数量的比例；
特异度（某些领域称为精确率）即真阴性率，也就是正确识别阴性数量与实际阴性数量的比例；
阳性预测值是一个被分类为阳性的样本确实是阳性的概率；
阴性预测值是一个被分类为阴性的样本确实是阴性的概率。

K近邻

1.K最近邻可能是最简单的分类算法。通过这种方法“学习”的模型就是训练集本身。对新样本进行标注时，就是根据他们与训练集样本的相似度而进行的。
2.kNN是一种基本的分类和回归方法。kNN的输入是测试数据和训练样本数据集，输出是测试样本的类别。kNN没有显示的训练过程，在测试时，计算测试样本和所有训练样本的距离，根据最近的K个训练样本的类别，通过多数投票的方式进行预测。
3.KNN算法三要素，分别是距离度量、K的大小、分类规则，在KNN中，当训练数据集和三要素确定后，相当于将特征空间划分为一些子空间，对于每个训练实例xi,距离该点比距离其他店更近的所有点组成了一个区域，每个区域的类别由决策规则确定且唯一，从而将整个区域划分。对于任何一个测试点，找到其所属的子空间，其类别即为该子空间的类别。

logistic回归

1.Python库sklearn对logistic回归进行了非常好的实现，并提供了很多与机器学习相关的实用函数和类；
    LogisticRegression类包含在模块sklearn.linear_model中，这个类的__init__方法有很多参数 可以进行设置，比如用来求解回归方程的最优化算法；这些参数都有默认值，在多数情况下，实用默认值即可；
    LogisticRegression类的核心方法是fit，这个方法使用两个同样长度的序列（元组、列表、数组）作为参数，第一个参数是特征向量序列，第二个参数是与特征向量对应的标签序列，在文献中，这些标签通常被称为结果；
    fit方法返回一个LogisticRegression类型的对象，对于其中特征向量的每个特征，已经通过学习得到了相应的系数，这些系数通常称为特征权重，反映了特征与结果之间的关系，特征权重为正，表明特征与结果是正相关；特征权重为否，表明特征与结果负相关。权重的绝对值则会影响相关性的强度，这些权重的值可以通过LogisticRegression的属性coef_进行访问。因为可以训练处具有多个结果的LogisticRegression对象，所以coef_的值是一个序列，序列中每个元素都是对应于某个结果的权重序列。eg：model.coef_[1][0]表示第二个结果的第一个特征的系数的值。
    一旦学习了这些写系数，就可以使用LogisticRegresion类的predict_proba方法预测与某个特征向量对应的结果。predict_proba方法只需要1个参数，即特征向量的序列。它返回一个数组的数组，每个数组表示一个特征向量。在返回的数组中，每个元素都包含一个相应特征向量的预测值。预测值也是一个数组，因为它包含了建立model时所用的标签的概率。
2.对于线性回归模型，知道改变决策阈值所带来的影响非常容易，因此人们通常使用受试者工作曲线，或称ROC曲线，来形象地表示灵敏度和特异度之间的折中关系。这种曲线可以绘制出多个决策阈值的真阳性率（灵敏度）和假阳性率（1-特异度）之间的关系。