本文介绍了统计学习中的经典分类算法——逻辑斯蒂回归。内容涵盖逻辑斯蒂分布的概念，包括分布函数和密度函数的特性，并通过图像展示S型曲线。进一步讨论了逻辑斯蒂回归模型的条件概率分布，解释了几率比和logit函数，指出在Logistics模型中，输出与输入之间的关系呈现线性对数几率。最后提到了贝叶斯公式在推理过程中的应用，以及如何通过极大似然估计求解模型参数。
概念
很多内容摘自李航的《统计学习方法》，在此说明。感谢
在李航《统计学习方法（第二版）》书中写到：逻辑斯蒂回归是统计学中的经典分类算法。
是的，他虽然叫回归，但是他却用于实际中的分类模型
首先介绍逻辑斯蒂分布（Logistics distribution）。
设X是连续随机变量，X服从逻辑斯蒂分布是指X具有下列分布函数和密度函数：
式中μ为位置参数，s是形状参数。
分布函数属于逻辑斯蒂函数，是一条S型的曲线，又称为sigmoid函数（μ=0，s=1）。该曲线以点（μ，1/2）为中心堆成，曲线在中心点附近增长速度较快，两端增长速度较慢。形状参数s值越小，曲线在中心点增长得越快。
这里我取μ为0，s为1，画出他们的图像
分布函数图像：
密度函数的图像：
最低0.47元/天 解锁文章
扫一扫
364
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
