一、数据挖掘的主要逻辑流程？
数据挖掘的过程可以分成以下 6 个步骤。
1. 商业理解：数据挖掘不是我们的目的，我们的目的是更好地帮助业务，所以第一步我们
要从商业的角度理解项目需求，在这个基础上，再对数据挖掘的目标进行定义。
2. 数据理解：尝试收集部分数据，然后对数据进行探索，包括数据描述、数据质量验证
等。这有助于你对收集的数据有个初步的认知。
3. 数据准备：开始收集数据，并对数据进行清洗、数据集成等操作，完成数据挖掘前的准
备工作。
4. 模型建立：选择和应用各种数据挖掘模型，并进行优化，以便得到更好的分类结果。
5. 模型评估：对模型进行评价，并检查构建模型的每个步骤，确认模型是否实现了预定的
商业目标。
6. 上线发布：模型的作用是从数据中找到金矿，也就是我们所说的“知识”，获得的知识
需要转化成用户可以使用的方式，呈现的形式可以是一份报告，也可以是实现一个比较
复杂的、可重复的数据挖掘过程。数据挖掘结果如果是日常运营的一部分，那么后续的
监控和维护就会变得重要。
二、逻辑回归算法？
逻辑回归其实是一个分类算法而不是回归算法。通常是利用已知的自变量来预测一个离散型因变量的值（像二进制值0/1，是/否，真/假）。简单来说，它就是通过拟合一个逻辑函数（logit fuction）来预测一个事件发生的概率。所以它预测的是一个概率值，自然，它的输出值应该在0到1之间。
假设你的一个朋友让你回答一道题。可能的结果只有两种：你答对了或没有答对。为了研究你最擅长的题目领域，你做了各种领域的题目。那么这个研究的结果可能是这样的：如果是一道十年级的三角函数题，你有70%的可能性能解出它。但如果是一道五年级的历史题，你会的概率可能只有30%。逻辑回归就是给你这样的概率结果。
逻辑回归的原理
Logistic Regression和Linear Regression的原理是相似的，可以简单的描述为这样的过程：
（1）找一个合适的预测函数（Andrew Ng的公开课中称为hypothesis），一般表示为h函数，该函数就是我们需要找的分类函数，它用来预测输入数据的判断结果。这个过程时非常关键的，需要对数据有一定的了解或分析，知道或者猜测预测函数的“大概”形式，比如是线性函数还是非线性函数。
（2）构造一个Cost函数（损失函数），该函数表示预测的输出（h）与训练数据类别（y）之间的偏差，可以是二者之间的差（h-y）或者是其他的形式。综合考虑所有训练数据的“损失”，将Cost求和或者求平均，记为J(θ)函数，表示所有训练数据预测值与实际类别的偏差。
（3）显然，J(θ)函数的值越小表示预测函数越准确（即h函数越准确），所以这一步需要做的是找到J(θ)函数的最小值。找函数的最小值有不同的方法，Logistic Regression实现时有的是梯度下降法（Gradient Descent）。
三、分层回归是逻辑回归吗？
不属于逻辑回归。
不属于，逻辑回归属于概率型的非线性回归,分为二分类和多分类的回归模型。分层回归的理解 其实是对两个或多个回归模型进行比较。分组数据的逻辑回归模型也可以称为分层逻辑回归。
分层回归将核心研究的变量放在最后一步进入模型，以考察在排除了其他变量的贡献的情况下，该变量对回归方程的贡献。如果变量仍然有明显的贡献，那么就可以做出该变量确实具有其他变量所不能替代的独特作用的结论。这种方法主要用于，当自变量之间有较高的相关，其中一个自变量的独特贡献难以确定的情况。常用于中介作用或者调节作用研究中。
四、进行逻辑回归需要数据归一化处理吗？
不需要
因为回归是探索因果关系，要保持原量纲信息。
不像做神经网络，需要归一化，消除量纲差异
五、逻辑漏洞挖掘思路？
一丶安全漏洞介绍
业务流程逻辑漏洞就是指因为程序结构不认真细致或逻辑太繁杂，导致许多逻辑支系不可以正常解决或错误处理。
二丶普遍场景
三丶安全漏洞情景
1）登陆图片验证码爆破
有一些系统软件，智能手机接收验证码的情况下，并没有对图片验证码的检验数次开展限制，亦或是是并没有对图片验证码的有限时长开展限制，便会导致图片验证码爆破，可是实战演练中4位的数字图片验证码依然非常容易爆破的，有一些67位的就并不是非常好爆破了，通常src也不会收这种。
2）凭据回到
这一就很有趣，在1次某求职网安全漏洞挖掘的情况下，遇到在接收验证码的地儿，抓包，回到的响应包get-Cookie里边立即回到了图片验证码，立即就可以短信验证，能够实现随意账号登录，申请注册，找回密码。有一些也有在登陆亦或是找回密码的情况下会回到密码。
3）图片验证码绕过
实际上这儿不只是图片验证码，在一些找回密码，亦或是检验客户凭据的情况下，会依据回到的状态码开展检验，假定图片验证码是正确的，回到的状态码位1，错为2，这儿咱们就可以利用抓取响应包，更改状态码为1，就可以实现检验绕过。最初的情况下我不会抓响应包之后才知道如何抓，非常简单，便是在Burp里边的Dointercept->Respongetothisrequest。
4）短信轰炸
导致短信轰炸的因素主要是并没有对单独一个客户接收验证码的数次开展限制，利用Burp抓包，数据包重放就可以导致短信轰炸。
5）session覆盖
相同浏览器，最先键入自个的账户开展电子邮箱找回密码，进到电子邮箱检查网页链接，然后键入别人账户，开展找回密码，回到刚开始自个的电子邮箱点一下网页链接，因为session覆盖导致了，这一网页链接变成了更改别人密码的网页链接，顺利更改别人密码
6）逻辑越权
相同级别（权限）的客户亦或是相同角色不同的客户之间，能够越权访问、更改亦或是删除的非法操作，如果出现此安全漏洞，很有可能会导致大批量的数据泄漏，严重的甚至会导致用户信息被恶意篡改
六、什么叫逻辑回归数？
逻辑回归（Logistic Regression，也译作“对数几率回归”）是离散选择法模型之一，属于多重变量分析范畴，是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。
七、逻辑回归模型建模步骤？
1，构建所需的数据集，根据实验的窗口，构建逻辑回归数据结构，例如 用过去12个月数据 做购买率的模型训练，这部分包含训练数据集与测试数据集，
2.变量的转化与预处理。
其中去掉缺失值较多的变量，购买率分布较集中的变量，即购买概率的变化不随自变量变化而变化的变量，即数值集中程度较高的变量。与Y不相关的变量。
3.变量的删选（特征工程）（caret包）
将高维即数量太庞大的自变量群，降维致较少的变量组合，（例如降至80以下 或者20左右），这部分步骤主要来降维的同时，期望消去变量之间的共线性，相关性等因素
4.模型的构建（glm 包/step() )
根据实际商业的目的，挑选第三步后剩下的变量，并调参，找到是整个系统平滑稳定的变量组合，例如10个变量，其中每个变量权重期望分布均匀，且满足模型其他各项基本指标，如C值 AUC等。
5.模型的评估 与描述
将构建完成的模型，将所有客户的购买率给出，并从高到低排序，总人群均分为10类 。输出模型结果 其中理想效果是 ：购买率高的客户群为总体平均购买率人群的两倍既两倍以上，即高的购买率是总体平均购买率的两倍。
八、如何用SPSS二元logistic逻辑回归分析医学数据？
1、打开spss统计软件，依次点击“分析——回归——二元logistic”。
2、出现“logistic回归”窗口。
3、将“高血压”放入“因变量”框中，将变量“性别”、“体重指数”等其他变量放入“自变量”框中。
4、点击“分类”，将为分类变量的自变量放入右侧“分类协变量”框中，本案例的自变量“性别”、“饮食习惯、体育锻炼”等为分类变量，将这些分类的自变量选入右侧框中。
5、点击“保存”，勾选“概率”、“组成员”。
6、点击“选项”，勾选“霍斯默-莱梅肖拟合优度”和“95%的置信区间”。
7、方法”选择“输入”就行，最后“确定”。
九、数据挖掘中分类和回归的区别是什么？
1）输出数据的类型的区别
分类输出的数据类型是离散数据，也就是分类的标签。比如我们前面通过学生学习预测考试是否通过，这里的预测结果是考试通过，或者不通过，这2种离散数据。
回归输出的是连续数据类型。比如我们通过学习时间预测学生的考试分数，这里的预测结果分数，是连续数据。
2）第2个区别是我们想要通过机器学习算法得到什么？
分类算法得到是一个决策面，用于对数据集中的数据进行分类。
回归算法得到是一个最优拟合线，这个线条可以最好的接近数据集中的各个点。
3）第3个区别是对模型的评估指标不一样
在监督分类中，我们我们通常会使用正确率作为为指标，也就是预测结果中分类正确数据占总数据的比例
在回归中，我们用决定系数R平方来评估模型的好坏。R平方表示有多少百分比的y波动被回归线描述。
十、逻辑回归与聚类区别？
逻辑回归是逻辑回归而聚类是聚类。