学习以第一篇的课本为主，基本都是看书，理解，复现书本的案例。笔记主要包含自己的一些想法，实际操作过程中遇到的问题。
上篇讲到两类学习模型，监督学习和无监督学习。从监督学习开始，监督学习又分为分类学习和回归预测两种。
我们从分类学习开始，原因是 书本的次序如此。
分类学习：
常见案例，肿瘤诊断，数字识别，新闻分类，物种鉴定，垃圾邮件判断等（书本上提供了一个关于泰坦尼克号的经历者的预测（后面会写到），我感觉不算典型的分类）
基本流程：
Step1：准备数据集，包括但不限于 文本，图像，音频，视频等
Step2：抽取需要的特征，形成特征向量（这一步很关键。两点：1：选择特征，为什么要选这个特征，值得研究。2：量化，用来学习。这个地方是我个人的理解，可能不对。欢迎指正。）
Step3：将特征向量连同标记/目标，放入学习算法之中。训练出一个预测模型。
Step4：采用相同的特征抽取方法作用于新测试数据，得到用于测试的特征向量。
Step5：使用预测模型对这些待测试的特征向量进行预测并得到结果。
下面开始介绍具体的模型：
1：线性分类器
估计是最简单的分类模型。
概念：假设特征与分类结果存在线性关系的模型。
方法：累加计算每个维度的特征与各自权重的乘积来帮助类别决策。
最典型是 一条y=kx+b的直线，通过确定k和b的数值，进行区分。在实际过程中，我们采用Logistic函数，其表达式为：
没有公式编辑器，所以直接贴度娘的链接。
关于这个算法的细节，可以参考斯坦福大学吴恩达教授的课间。课本中给出的数据集是关于乳腺癌肿瘤数据的预处理。
刚刚看了一下随手的笔记，发现没有写完整的代码。
首先关于数据缺失的问题。这个问题，对于有过数据处理经验的同学来说一定很熟悉。因为各种各样的原因，这种问题实在是太常见了。常用的解决方法，使用平均数代替。#data=data.replace(to_replace='?',value=np.nan)
在读取数据之后，会用上面的代码。这句代码的作用是 将？替换为标准缺失值来表示。
#data = data.dropna(how='any')
丢弃掉带有缺失值的数据（只要有一个维度存在缺失）
#train_test_split()
分割数据，非常常见的。
这里关于二分类判断模型的评估，有一个常见的通用思想。即所有二分类任务下，预测结果（Predicted Condition）和正确标记（True Condition）之间存在四种不同的组合。（这个就是预测真，预测假，实际真，实际假排列组合）故而可以构成一个二阶混淆矩阵。
关于第一个例子，因为理解起来很简单。不多赘述了，后面笔记肯定补代码。
