逻辑回归（Logistic Regression）

最新推荐文章于 2024-01-05 00:56:56 发布

我本将心向明月5526

最新推荐文章于 2024-01-05 00:56:56 发布

阅读量539

点赞数

分类专栏：机器学习文章标签：机器学习逻辑回归

本文链接：https://blog.csdn.net/a631103520/article/details/108305787

版权

逻辑回归是一种用于分类的有监督学习方法，它将连续输入映射到离散输出。与线性回归不同，逻辑回归通过Sigmoid函数将结果限制在[0,1]之间，用于表示概率。损失函数通常采用交叉熵。在实际应用中，通过设定阈值来决定分类结果。" 131522261,13951230,深度优先与广度优先搜索：原理与实践,"['算法', '数据结构', '图论', '搜索算法']

摘要由CSDN通过智能技术生成

逻辑回归

逻辑回归是一种有监督的统计学习方法，主要用于对样本进行分类。

在线性回归模型中，输出一般是连续的，例如
$y = f (x) = a x + b$
对于每一个输入的 $x$ , 都有一个对应的 $y$ 输出。模型的定义域和值域都可以是 $\infty,+\infty]$ 。但是对于逻辑回归，输入可以是连续的 $[-\infty,+ \infty]$ ，但输出一般是离散的, 即只有有限多个输出值。例如，其值域可以只有两个值 ${0,1\},$ 这两个值可以表示对样本的某种分类, 高/低、患病/健康、阴性/阳性等，这就是最常见的二分类逻辑回归。因此, 从整体上来说，通过逻辑回归模型，我们将在整个实数范围上的 $x$ 映射到了有限个点上，这样就实现了对 $x$ 的分类。因为每次拿过来一个 $x$ ，经过逻辑回归分析，就可以将它归入某一类 $y$ 中。