第15课：逻辑回归——用来做分类的回归模型

现在我们回到 LR 模型本身。

回归模型做分类

从前面关于分类与回归的定义来看，分类模型和回归模型似乎是泾渭分流的。输出离散结果的就是用来做分类的，而输出连续结果的，就用来做回归。

我们前面讲的两个模型：线性回归的预测结果是一个连续值域上的任意值，而朴素贝叶斯分类模型的预测结果则是一个离散值。

但 LR 却是用来做分类的。它的模型函为：

$h_\theta(x) = \frac{1}{1 + e^{-\theta^Tx }} $

设 $z = \theta^T x$，则

$h(z) = \frac{1}{1 + e^{-z }} $

在二维坐标中形成 S 形曲线：

上图中，$z$ 是自变量（横轴），最终计算出的因变量 $y$（纵轴），则是一个 [0,1] 区间之内的实数值。

一般而言，当 $y>0.5$ 时，$z$ 被归类为真（True）或阳性（Positive），否则当 $y <=0.5$ 时，$z$ 被归类为假（False）或阴性（Negative）。

所以，在模型输出预测结果时，不必输出 $y$ 的具体取值，而是根据上述判别标准，输出1（真）或0（假）。

因此，LR 典型的