自己救自己系列，越準備資料，越來越發現基礎真的好重要，加油啊
莪只是個木得感情的搬運機器，以下內容都附有原鏈接地址，你不想我搬運的話，可以聯繫我刪除好勒。
紅色加粗是我見了好多次，感覺經常會考得點。
LR真的是感覺經常考，但是看完《統計學習方法》又感覺啥都沒講啊，公式超多，和其他知識又都能聯繫起來，感覺還是聽從大佬建議，面試不要說自己精通LR吧。好好準備吧。
1、LR原理及公式推導
即： LR的假設分佈形式 -> 構造最大似然損失函數 -> 通過優化等方法得到最優值。
可以參考 https://www.cnblogs.com/bonelee/p/7253508.html
其最後的梯度上升的推倒真的很清晰，這個面試會讓手動推的。
再其中推倒過程中涉及到sigmoid函數及其求導，這個太基礎了必須要記。
另外這位大佬的講解和《統計學習方法》講的最接近，但好多圖丟了， 不過裏面有很多延伸問題可以看看。 https://blog.csdn.net/cyh_24/article/details/50359055
2、LR的損失函數
即上面構造最大似然函數，然後取log得到的結果
3、 LR求解方法、目的、如何分類
4、 LR的損失函數爲什麼要使用極大似然函數作爲損失函數？
5、LR在訓練的過程當中，如果有很多的特徵高度相關或者說有一個特徵重複了100遍，會造成怎樣的影響？
6、爲什麼我們還是會在訓練的過程當中將高度相關的特徵去掉？
7、 LR優缺點
以上2-7答案全部在這個全網都在抄的大佬博客裏 https://www.cnblogs.com/ModifyRong/p/7739955.html
大佬博文中涉及的問題一定要會，畢竟大佬就是面試官。
8、LR和SVM的聯繫和區別？
見此 https://www.jianshu.com/p/e8dca5613da6， 感覺對每個不同的理解又是一個新問題
你以爲這些就夠了嗎？ too naive！！
LR能用核嗎？歸一化怎麼弄？正則化呢？CTR預估呢？各種黑人問號，參看下面知乎大佬的整理
https://www.zhihu.com/question/314023182
https://zhuanlan.zhihu.com/p/58434325?utm_source=qq
暫時我是沒有腦容量繼續深入瞭解下去了，以後再更吧。
但重要的事不能忘！
面試官：你熟悉LR嗎？
我：不，我只會一丟丟丟丟！！！