• 最小二乘法：基于均方误差最小化来求解模型的方法，称为“最小二乘法”（least square method）。（实际上就是试图找到一条直线，使得所有样本点距离直线的“欧式距离”（Euclidean distance）之和最小）
• 线性回归（linear regression）：$f(x_i)=w x_i+b$f(xi​)=wxi​+b
• 对数线性回归(log-linear regression)：$ln f(x_i)=w^T \vec{x}+b$lnf(xi​)=wTx+b
• 对数几率函数（logistic function）：$y=\frac {1} {1+e^{-z}}$y=1+e−z1​该函数能够将z值转化为一个接近0或者是1的y值
• 线性判别分析（Linear Discriminant Analysis，LDA）：在二分类问题上，LDA设法将样例投影到一条直线上，使得同类样例的投影点尽可能接近（协方差尽可能小），异类样例的投影点尽可能远离（让类中心之间的距离尽可能大）。在多分类问题上，LDA将样本投影到d‘维空间，d’通常远小于数据原有的属性d，因此LDA也被视为一种经典的监督降维技术。
  
  附LDA的matlab代码（标签在最后一列）：

function [A,predict_label]=f_LDA(tr,te)

%Input: tr: Training set
% te: testing set
% Note that: each row represents a instance, last column is label, begins from 1
%Output: A: Testing Accuracy
% predict_label: predict label by DA for testingdata

data=[tr;te];
n=size(data,2);
m1=size(tr,1);m2=size(te,1);

trd=tr(:,1:n-1);trl=tr(:,n);
ted=te(:,1:n-1);tel=te(:,n);

obj = ClassificationDiscriminant.fit(trd, trl);
predict_label = predict(obj, ted);

bj=(predict_label==tel);a=nnz(bj);
A=a/m2; %输出识别率

end