突然来个代码讲解有点懵逼啊，讲串了吗这是，没明白

广义线性回归的参数η是什么意思？θ和η的区别是啥

这又是P又是Y的 到底是什么服从指数族分布，我一直不理解P(y|x;θ)这是个啥

η的转置和α(η)分别对应，那怎么能推出来η的呢  难道η的转置就是η 这啥意思啊

为啥μ就是η，依据是什么，还有y hat 咋就会等于η呢，虽然我知道y hat是θ的转置等于X 咱们再多元线性回归学过

老师能具体解释一下toler是什么意思啊

这段代码需看不懂，只是大概知道生成了一种数组，用来训练模型，但是数组的形式和每行的含义不清楚。

老师，请问为什么SVM会对缺失值比较敏感呢？有对缺失值不敏感的算法吗？

老师，分类函数真实的y不是明确告知是哪一类吗，不是真实值吧。。如何计算loss

老师，你好，关于繁多的处理算法，我们如何选择某一条算法呢，就比如对鸢尾花数据集，或者保险，又或者其他的一些数据，怎样去选择适合的处理算法

老师这个xi为什么把转置去掉了啊

其实要证明K=2，感觉从一开始就入手会很简单。

以上公式，当K=2时，P(y;φ)=φ₁^y*φ₂^1-y=φ₁^y*(1-φ₁)^1-y，就是一个伯努利分布，那么推导出逻辑回归，也很正常。

老师讲得挺深入，给老师打call, 哈哈哈，打call放在了问答区

老师为啥fft不加绝对值会报丢弃虚数部分的错呢？

import numpy as np

#创建数据集X,y
X=np.random.rand(100,1)
y=4+3*X+np.random.randn(100,1)
X_b=np.c_[np.ones(100),X]


#创建超参数
learning_rate=0.0001
n_iterations=10000

#1.创建cta，w0,w1,w2,w3,....,wn
cta=np.random.randn(2,1)

def p_theta_function(features,w1,w2):
    z=w1*features[0]+w2*features[1]
    #这里使用sigmoid函数，y_heater=1/(1+exp(-1*cta.T.dot(X)))
    return 1/(1+np.exp(-z))

#4.判断是否收敛，一般不会去设置阈值，而是采用相对大的迭代次数
for _ in range(n_iterations):
   
    gradients=0  
    #2.求梯度，计算gradient
    for i in range(100):
        x=X_b[i:i+1,:]
        y=y[i:i+1]
        p_result=p_theta_function(x,cta[0],cta[1])
        gradients+=x.T.dot(p_result-y)
        #3，应用梯度下降法公式调整cta值，cta(t+1)=cta(t)-ita*gradient
    cta=cta-learning_rate*gradients/100
   
print(cta)
这里我传的参数是1行两列，为什么他运行不了显示参数不够