Udacity_Project:Building a Student Intervention System

模型预测流程(Predictive Modelling Process)：

评估矩阵：对于不均衡样本，我们选用F1值而非准确性（accuracy score）来评估，精确度和召回率也可用于本分类问题。

逻辑回归是一种广义的线性回归分析模型。

 回归就是表明自变量x与因变量y的关系，即y=f(x)。如医生治病时的望、闻、问、切，之后判定病人是否生病或生了什么病，其中的望闻问切就是获取自变量x，即特征数据，判断是否生病就相当于获取因变量y，即预测分类。

最简单的回归是线性回归，然而线性回归的鲁棒性很差。这是因为线性回归在整个实数域内敏感度一致，而分类范围，需要在[0,1]，所以我们在线性回归的基础上，套用了一个逻辑函数（sigmoid函数），把整个实数域映射到[0,1]范围上。

逻辑回归可用于概率预测，也可用于分类。

可能性预测的好处是结果有可比性：比如我们得到不同广告被点击的可能性后，就可以展现点击可能性最大的N个。这样一来，哪怕得到的可能性都很高，或者可能性都很低，我们都能取最优的topN。当用于分类问题时，仅需要设定一个阈值即可，可能性高于阈值是一类，低于阈值是另一类。