逻辑回归（用于分类）

用途：通过已有数据，计算出线性方程的参数w后，可以用于预测某一个物品属于某一类的概率，[0,1];

求解思想：逻辑回归通过最大似然估计（Maximum Likelihood Estimation, MLE） 学习参数w，核心思想是：找到一组w，使得 “所有训练样本的实际类别（y=1 或 y=0）与模型预测的概率（P (y=1|x)）尽可能一致”。

情形适用：标签与属性有 极近线性关系，样本量需远大于特征量否则容易过拟合，特征间不能存在强相关性（如 “身高 cm” 和 “身高 m”），否则参数估计不稳定，必须进行数据的标准化/正向化/归一化；

随机森林（用于分类和回归预测）

输出是： 特征重要性

适用范围：数据之间存在非线性关联，可解释性强，可以输出重要特征。

不适用范围：数据维度极高且样本量少的场景（如 100 个样本、1000 个特征）：易因 “特征随机选择” 导致信息利用率低。

得到主成分之后的选择：