线性回归
问题1：回归问题和分类问题。
回归(Y)和分类(Y)本质上都是通过一系列影响因子 (X) 系数 (权重w或 θ) 计算得出来的值，分类得出的是具体的某一类，所有可能值是离散的，回归得出的是一个值，所有可能值是连续的。回归一般公式：
，误差是独立同分布且服从均值为0方差为的高斯分布
Logistic回归
Logistic回归是一个经典的二分类问题，通过Sigmoid函数能够将结果映射到 [0, 1] 区间内，以0.5作为阈值分为两类。
Sigmoid函数将x的值映射到 [0, 1] 区间内
表达式：
梯度下降原理
为了能够找到更好的，就是尝试如何改变使其损失下降最快，很显然沿着梯度反方向下坡是最快的。
模型评估方法
交叉验证
训练集划分：training：80%， testing：20%
Cross validation:将training划分为等10份，选取其中9份（不固定）训练，剩余一份进行验证。
混淆矩阵
T=True; F=False
P=目标； N:非预测目标
TP:正确T->预测成目标P
FP: 错误F->预测成目标P
TN:正确T->预测成非目标N
FN:错误F->预测成非目标N
计算完混淆矩阵后，计算precision精确度和recall召回率
计算完precision和recall后计算F1 score更能体现出模型的优劣（精度和召回率中较低的值，影响最大）
聚类算法（图像领域可以应用于分割）
K-means算法
DBSCAN聚类算法（强大）
决策树
既能够做分类而也可以做回归
熵：（不稳定性）
概率P越大的事情，熵（不确定性）越小，概率P越小的事情，熵（不确定性）越大。
首先构造决策树
谁来当根节点
支持向量机
要解决的问题：
- 什么样的决策边界才是最好的？
- 特征数据难分
- 计算复杂度怎么样，能实际应用吗？
基于以上问题对SVM进行推导。
如果二维度不好分，那么变成三维度有可能就可以划分了。考虑实际问题，不能无限增加维度。
计算距离
假设x',x''都在平面上，计算x到平面的距离不好算。
先算出d = distance(x, x') # x到x'的距离，然后将d投影到平面法向量的角度，便计算出x到平面的距离。
现在需要找到平面法向量的方向=（法向量除以自身的模）
SVM 想要的就是找到各类样本点到超平面的距离最远，也就是找到最大间隔超平面。任意超平面可以用下面这个线性方程来描述：
这里yi的值为正负1
目标检测性能指标
引用：yolov5_哔哩哔哩_bilibili
检测
IoU
AP/mAP
检测速度（浮点运算量）
分类
