1邏輯回歸
首先，邏輯回歸是由線性回歸推導出來的。假設在二維空間中，它本質上是壹條線，那麽在三維空間中，它就是壹個平面。把數據分成兩邊，也就是不能再直的壹條線或者壹個平面。所以假設我們現在有兩個變量，也就是圖中的兩個變量。為什麽假設y=1是壞客戶？根據圖可以看出，單個變量的劃分並不能很好的劃分兩類客戶。如果兩個變量相互作用，假設x1為查詢筆數，x2為正在償還的貸款筆數，那麽我們可以看到，當x1小，x2小的時候。那麽顧客壹定是在左下角，那麽當他的某個物品比較高的時候，就會傾向於右上角。當x1 x2都高時，會越過分割線，落在分割線以上。這裏我們可以看到，x1 x2是兩個趨勢變量，才能達到這麽好的分類效果。
現在假設數據如下:
可以看出，當變量的趨勢與Y的分類無關時，這個時候邏輯回歸就很沒味道了，打分的效果壹點都不好。
2決策樹
決策樹。我剛才說的是，邏輯回歸是壹條直線或平面，直到不能再直，所以決策樹是壹條直線或平面，可以轉彎，但不能有角度。看下圖，妳就明白了，決策樹是壹條貪吃的蛇，它的目標就是把客戶的好壞區分清楚。貪吃蛇太貪，會造成過度擬合。什麽是過度擬合？妳問妳最喜歡的妹紙。妳喜歡什麽樣的男生？妹紙說，我喜歡好看，帥，溫柔體貼，會做飯。巴拉巴拉很多，100多。然後妳是真的喜歡妹紙，所以按照她的要求，最後妳是真的和妹紙在壹起了。妹紙說，其實我只需要妳長得好看，其他65438+。拉回決策樹，決策樹適應的數據假設像邏輯回歸的數據。其實按照決策樹的貪婪方式還是很難區分的，所以決策樹適用的數據是變量和因變量呈U型分布的數據，也就是兩端是壹種，單峰聚集的是另壹種數據。在變量特征的分析中，看到變量都呈現這種趨勢，妳會暗喜。老子要用決策樹建功立業！！！
3支持向量機
支持向量機(SVM)，如果沒有數學基礎的人看SVM這種把低維數據轉換成高維數據，可以在高維空間分類的算法，估計很別扭。我以前很笨拙。這是什麽？讓我們舉壹個只有兩個變量的例子。比如妳現在區分壹群客戶的質量，妳會給這群人兩個變量，查詢次數和貸款次數，然後妳會通過壹些處方，冪次。取對數法。妳正好符合三元方程。妳把身高體重的數據輸入到這個方程中，這個方程計算出的第三個未知數是男性，即使這個方程中是女性，妳可能也不是很清楚。請看下圖。
剛才我們把數據扔進去，支持向量機幫我們擬合這個圓。把這兩類數據分成這樣的圖形就好了，所以這個時候我們就需要這個圓的方程來生成變量的應用口徑。這個等式是:
25=(x-5)2+(y-5)2那麽此時，當貸款筆數和查詢筆數減少5的2次方時，如果該筆數小於25，則為好客戶，大於25，則為壞客戶。支持向量機(SVM)給壹個變量除了所有維度之外的另壹個維度，然後把擬合的方程放到原來的維度空間。支持向量機可以應用的數據是，在別無選擇只能使用決策樹和logistic回歸的情況下，可以使用支持向量機。然而，由於我們剛剛來到這個方程，變量的口徑是不合邏輯的。他可能想求變量的根，然後取對數。如果要用商業來解釋這種模式，我不知道妳要想多少套路。