朴素贝叶斯模型属于有监督的学习算法，是专门解决分类问题的模型。该分类器的实现思想是通过已知类别的训练数据集，计算样本的先验概率，然后利用贝叶斯概率公式测算未知样本属于某个类别的后验概率，最终以最大后验概率所对应的类别作为样本的预测值。该算法应用广泛，常见的领域如垃圾邮箱识别、电子设备中的手体字识别、广告技术中的推荐系统、医疗健康中的病情诊断、互联网金融中的欺诈识别等。

KNN，也叫K最近邻算法，它属于“惰性”学习算法，即不会预先生成一个分类或预测模型用于新样本的预测，而是将模型的构建与未知数据的预测同时进行，其核心思想是比较已知y值的样本与未知y值样本的相似度，然后寻找最相似的k个样本用作未知样本的预测。

决策树属于经典的十大数据挖掘算法之一，是一种类似于流程图的树结构，可用于数值型因变量的预测和离散型因变量的分类。通常情况下。将决策树用于分类器会有很好的预测准确率。sklearn模块选择了一种较优的决策树算法，即CART算法，它既可以处理离散型的分类问题（分类决策树），也可以解决连续型的预测问题（回归决策树），分别对应的是子模块tree的DecisionTreeClassifier类和DecisionTreeRegressor类。

随机森林属于集成算法，即随机生成构成多棵决策树的数据，生成过程中采用的是Bootstrap算法。sklearn的子模块ensemble提供了产生随机森林的RandomForestClassifier类和RandomForestRegressor类。

在实际应用中，当因变量为连续型时，可以用线性回归模型、岭回归模型和LASSO回归模型解决预测问题，当因变量为离散型时， 则需要Logistic回归模型来解决二分类的离散问题。

线性回归模型在实际应用中，可能会出现自变量个数多于样本量或者自变量间存在多重共线性的情况，此时无法估计回归系数。而岭回归和LASSO回归则可以解决这类问题。

线性回归模型属于一种有监督的学习算法，建模过程中必须同时具备自变量x和因变量y。

登录mysql：
net start mysql
mysql -u root -p
Enter password: **

时间好像一个疯狗追赶着你，你需要不停地回头，给它扔肉包子。
——刘瑜《余欢》

这一年好短好短，记忆却好长好长……

宿舍楼下拍的一只单眼异瞳的猫。