鄒曉輝

3結束語

Logistic回歸是最基本的分類算法之一，算法簡單且時間復雜度低，適合解決線性分類問題。機器學習中有“Occam's Razor”原理，即“簡單有效原理”。如果能用簡單模型解決問題，則不使用更復雜模型。當代數(shù)據(jù)科學是涵蓋了統(tǒng)計學、數(shù)學、信息學、優(yōu)化理論以及其它各門學科在內的交叉學科，要從大量數(shù)據(jù)中挖掘出有用的知識和模式，非常重要的一個問題是數(shù)據(jù)的預處理。從數(shù)據(jù)中提取有用特征，去除冗余信息和噪聲，進行特征選擇[5-6]、特征組合、特征降維、特征映射、特征表示等，統(tǒng)計學習算法和模型就是建立在數(shù)據(jù)的特征維度上。高效的目標函數(shù)優(yōu)化算法也是數(shù)據(jù)建模領域的重要研究方向。

[J（下轉第143頁）

參考文獻：[HT]

劉紅巖， 陳劍， 陳國青. 數(shù)據(jù)挖掘中的數(shù)據(jù)分類算法綜述[J]. 清華大學學報（自然科學版）， 2002， 42（6）：727-730.

[2] 李航. 統(tǒng)計學習方法[M]. 北京： 清華大學出版社， 2012.

[3] 約翰·內特. 應用線性回歸模型[M]. 北京： 中國統(tǒng)計出版社， 1990.

[4] 王濟川. Logistic回歸模型：方法與應用[M]. 北京： 高等教育出版社， 2001.

[5] 姜百寧. 機器學習中的特征選擇算法研究[D]. 青島： 中國海洋大學， 2009.

[6] 陳鐵明，馬繼霞，HUANG S H. 一種新的快速特征選擇和數(shù)據(jù)分類方法[J]. 計算機研究與發(fā)展， 2012， 49（4）：735-745.