1、基本形式
给定由d个属性描述的示例x=(x1;x2;...;xd),其中xi是x在第i个属性上的取值。
通过属性的线性组合来进行预测的函数：
,
一般向量形式：
,
w和b学得后，线性模型就确定下来。
（w可理解为各属性的重要性，即所占权重值）
2、线性回归
线性回归即是学得一个线性模型来尽可能预测实值输出标记。
给定数据集,其中
.
先讨论简单的情形，输入属性的数目只有一个。在此之前我们对于离散属性，若属性间有序，则可以转化为连续值，例如高矮，长短；若属性无序，则转化为k维向量（k个属性），例如品种、颜色......
.
通过均方误差最小来确定w和b：
于是我们要得到使最小的w和b。
接下来我们要对w和b分别求导，然后令两式为零，得到w和b的最优解的闭式解。
具体过程就略过了，基本的高数求导解析过程。可参考：南瓜书。
上面是对于一种属性的最简单的情形，下面讲更一般的情形，我们试图学得：
.(多元线性回归)
对于多元，我们需要用到线性代数的一些基本知识。
对于w和b，我们将其列成一个向量形式,再将数据集D化成矩阵形式X：
标记化成向量形式
对于向量形式我们依旧求均方误差最小值，即有：
.
同样对进行求导，令式子为零得到
的最优解的闭式解。其间涉及到逆矩阵的计算。于是有以下情况：
若为满秩矩阵，即行与列相等。可学得：
.
然鹅，现实情况往往不是满秩的，毕竟数目与样例会不一致。于是就可解出多个,都满足均方误差最小。于是我们引入正则化项以选择一个解作为输出。何为正则化？正则化
对于线性回归模型，可以使用对数线性回归：
其试图让，于是起到了将线性回归的预测值与真实标记联系起来的作用。
更一般的，考虑单调可微函数g(·)，令：
即广义线性模型。g(·)为联系函数，对于对数线性回归，是广义线性模型的一个特例，在g(·)=ln(·)时。
对数几率回归
上面是对于回归任务使用的单调可微函数，而下面讲分类任务。
对于二分类任务，输出标记为y={0,1},但线性回归模型产生的预测值是实值，所以需要将实值转成0/1值，理想：单位阶跃函数，即：
但是单位阶跃函数不是连续函数，故不能作为,于是我们引入对数几率函数来代替单位阶跃函数：
于是我们将代入上式，且与回归任务类似可变化为：
y为正例可能性，1-y则为反例可能性，二者比值即为“几率”，取其对数即为“对数几率”。
那么如何确定w和b呢？
如果将y视作概率p(y=1|x)，则1-y则为p(y=0|x)，于是有：
于是我们通过极大似然估计来估计w和b：
对于上式，我们可以进一步简化，令.（使原式变为最小化式）最后得到
.(过程依旧可以参考南瓜书)
对于此高阶可导连续凸函数，可以用梯度下降算法、牛顿法等来求其最优解。
线性判别分析
对于分类任务，LDA也是一种经典的线性学习方法。其基本思想：给定训练样例集，将样例投影到一条直线上，使同类样例的投影点尽可能接近，异类尽可能远离。对新样本分类时，可以根据投影点的位置来判别样本的类别。
对于二分类任务，我们只需要让同类样例投影点的协方差可能小，类中心之间的距离尽可能大。为协方差，
为距离,其中数据集
,
表示第
类示例的集合，
为均值向量，
为协方差矩阵。
于是有：
.
我们要令上式最大化。
引入类内散度矩阵：
类间散度矩阵：
代入得：
对于此式，由于w在分子分母都是二次项，于是只与其方向有关，则令，于是我们要使
最小化，由拉格朗日乘子法得到：
.
考虑到方向，则的方向恒为
，将其代入上式，再化成：
对于此式，我们需要对进行奇异值分解，即有：
，其中U为酉矩阵，
是一个实对角矩阵，其对角线上的元素是
的奇异值，于是求
.
以上是对于二分类任务，那么推广到多分类任务中，存在个类，第
类示例数为
,全局散度矩阵：
其中是所有示例的均值向量，则类内散度矩阵即每个类别的散度矩阵之和。
到这里就不进行赘述了，简单地讲一下，我们根据自定义的三个矩阵：，根据这关系，我们知其二可知全部。如何实现？可采用优化目标（即求使 类内散度矩阵和类间散度矩阵的迹的广义瑞利商最大 的W值），接下来就是与二分类任务一样，通过广义特征值问题求解：
.于是W的闭式解是
的
个最大非零广义特征值所对应的特征向量组成的矩阵。关于什么是广义特征值，什么是特征向量：
求数λ，使方程Ax=λBx有非零解x，这里A为n阶实对称矩阵，B为n阶实对称正定矩阵，x为n维列向量，则称该问题为矩阵A相对于矩阵B的广义特征值问题，称满足上式要求的数λ为矩阵A相对于矩阵B的特征值，而与λ相对应的非零解x称为属于λ的特征向量。
LDA通过投影来减小样本点维数，投影过程使用类别信息，说明其也是一种监督降维的技术。
多分类问题
其实现实情况中，有些二分类学习任务可以直接推广到多分类任务，但我们大多数情况下是使用基本策略，用二分类学习器来解决对分类任务的。
拆解法：即将多分类任务拆分为多个二分类任务来求解。
拆分策略：
1、一对一（OvO）：简单来说就是把数据集样例两两配对，然后为每队训练一个分类器，最后测试时，将新样本同时提交给所有分类器，得到最终结果是被预测得最多的类别；
2、一对其余（OvR）：每次将一个类的样例作为正例，其他的作为反例进行训练多个分类器，测试时，若仅有一个分类器预测为正，则其对应的类别标记作为最终结果，否则选择置信度最大的类别标记作为结果；
3、多对多（MvM）：将若干类作为正，若干作为反，那么该如何选取，此时我们需要用到“纠错输出码”，对N个类进行M次划分，每次划分将部分作反，部分作正，训练出M个分类器；测试时，预测标记组成一个编码，将预测编码与每个类别的编码进行对比，选取其中距离最小的类别作为最终结果。
类别不平衡问题
分类任务中不同类别的训练样例数差别很大的问题。基本策略就是再缩放。
但此策略难以实现，无法达成假设。于是根据现有技术我们有三种方法：
1、欠采样：去反，使正反接近（不是随便去反，可将反例划分成多个集合，供不同学习器使用）
2、过采样：增正，使正反接近（不是对初始的正例进行重复采样，可通过对正例的插值来产生额外的正例）
3、阈值移动：使用原始数据集，但将“再缩放”嵌入其决策过程
