人工智能学术前沿

上节中，我们使用逻辑斯蒂回归完成了二分类任务，针对多分类任务，我们可以采用以下措施，进行分类。 以三分类任务为例

上节中，我们使用逻辑回归模型完成了线性可分的任务，那么，如果线性不可分任务，逻辑回归任务可以完成吗？ 同样，我们可以将自变量x的数据，进行多项式特征扩展，扩展后的数据特征可以完成非线性分类任务。

回归模型 前面的例子都是在用线性模型解决回归任务，那么线性模型能否完成分类任务呢？相较于回归任务，分类任务的预测值是离散的，比如二分类问题，可以用0和1来表示两个类别。

线性学习 回归分析是研究自变量x与因变量y的关系的方法。 当研究问题是非线性问题是，如何解决？多项式回归模型、广义线性回归模型。

线性学习 回归分析是研究自变量x与因变量y的关系的方法。 上一节我们介绍了一元线性回归，下面我们看看多元线性回归模型

我报名参加金石计划1期挑战——瓜分10万奖池，这是我的第1篇文章； 本文已参与「新人创作礼」活动，一起开启掘金创作之路 线性学习 回归分析是研究自变量x与因变量y的关系的方法。 生活中经常会有类似的关

2.特征选择 2.1 Filter：过滤法 2.1.1方差过滤法 2.1.2 Pearson相关系数 2.1.3 卡方检验 2.1.4 互信息法 2.2 Wrapper：包装法 3.2.1 递归特征消

1.2 多变量特征构造（特征衍生） 1.2.1双变量四则运算方法构造特征 1.在业务场景中，有关联的数据列通过简单的运算，将计算结果存储为新的特征列.

1.连续变量 等宽离散化(等宽重编码 2.连续变量 等频离散化(等频重编码) 3.连续变量 利用聚类离散化 4.连续变量 标准化(规范化) 5.离散变量 自然数编码/字典编码 6.独热编码/哑变量变换