下面这个人的笔记做的还不错
http://www.cnblogs.com/jianzhitanqiao/p/5488659.html
1. Logistic回归的决策函数是sigmoid函数，那么它的判定边界怎么求
突然想通了，是f(z) = sigmoid(z)
当z >0时，输出1
当z<0时，输出0
那么函数z=0就是判定边界
关于z的解析式可以是高次的多项式函数
逻辑回归的损失函数：---如果将sigmoid函数代入最小二乘会得到一条并不收敛的曲线
Logistic回归损失函数若使用最小二乘得到的是非凸函数，容易陷入局部的极小值。
解决方法：
似然函数进行极大似然估计
加入L2正则
LR对于样本的处理
样本太大怎么办？
1. 采样再 LR
2. 分布式上 spark mllib
3. 将特征 离散化为 0-1，这样虽然训练数据量没有变，特征向量还变长了，
但是 因为 0-1 操作，使得计算速度变快
4. 连续值的特征，最好 scaling一样，使得因子图 不是 特别的细长，而是 圆形，这样利于优化的速度，这个也是可以 加速训练的
--注意样本的平衡
·-》对样本分布敏感
--》下采样 --》上采样
--》修改loss func 给予不同权重
--》采样后的预测结果，用排序作ok，用作判定请还原
--使用LR 的tech关于特征的聚类
提前，将一些特征先 hash，比如 uuid？
---LR也能用于特征选择（去除theta为0的特征，选择theta大的特征）
-------------关于模型调优
假设只看模型：
---选择合适的正则化（L1，L2，L1+L2）：L2的准确度高一些，但是收敛时间长一些。L1是截断性效益【可以做一定程度的特征选择，数据量特别大用L1】
--正则化系数C（lambda）【表示惩罚程度有多高】
--收敛阈值e，迭代次数
--调整loss func给定不同权重
Bagging或其他方式的模型融合
--最优化算法选择（‘newton-cg’,'lbfgs'--spark里面用的这个,'liblinear'--默认使用梯度下降,'sag'）
小样本liblinear
大样本sag
多分类‘newton-cg’和‘lbfgs’【也可以用liblinear和sag的one-vs-rest】
-----liblinear--常用库【台湾大学】
--------存储方式：libsvm稀疏向量存储格式，海量数据下单机速度还ok
-------高维度离散化特征，准确率逼近非线性切分
------参数调节方便
SKlearn中的LR实际上就是liblinear封装的
L1正则和L2正则的区别
L2正则是一种缩放效应，会让大部分特征都拿到权重但是，幅度小
L1正则是截断式效应，有可能很多特征的权重会变为0
2. SVM适合数据量比较小的情况，因为计算量大
并且对于非均衡样本，效果较差
