线性模型是神经网络和深度学习的基础，原理比较简单，主要看书就行，重点是线性回归和对数几率回归这两节。
1、线性回归
求解方法：用最小二乘法使均方误差最小化，可以求出最优解。
2、逻辑回归（对数几率回归）
线性模型外面套上一层Sigmoid函数，就可以解决二分类问题。求解方法与线性回归一样，用最小二乘法最小化均方误差。
3、线性判别分析（LDA）
将数据的特征点（坐标）投影到一条直线上，使同类样本的投影点尽可能靠近，异类样本的投影点尽可能远离，从而实现分类的效果。LDA用“降维+分类”的思想，主要解决二分类问题。
4、多分类学习
一对一（OvO）：N个类别两两配对，将多分类问题转化为N(N-1)/2个二分类问题。
一对余（OvR）：假设有N个类别，每次把一个类作为正类，其他类作为反类，将多分类问题转化为（N-1）个二分类问题。
多对多（MvM）：每次选择若干类为正类，若干个为反类。常用方法为“纠错输出码”(Error Correcting Output Codes, ECOC)。
5、类别不平衡
（1）问题描述
数据集正样本和负样本的数量相差很多，如：998个负样本，2个正样本。学习算法可能会学习到一个永远为正或负的分类器模型，但这样的模型没有应用价值。
（2）解决方法（以“负样本很多正样本很少”为例）
欠采样：去除一些负样本，使正反样本数量接近。
过采样：增加一些正样本，使正反样本数量接近。
阈值移动：在分类器预测正负概率比时，乘上负样本与正样本数量之比。（正负概率比>1，则预测结果为正例）