DeniuHe的博客

【代码】sklearn中不同交叉验证方法的场景适配。

回归→ KFold分类分组数据时间数据。

模型形式：逻辑回归 = 线性回归 + Sigmoid函数，核心是将线性输出映射为概率；损失函数：交叉熵损失（负对数似然），确保预测概率与真实标签一致；参数求解：通过梯度下降法最小化损失，利用Sigmoid的导数性质简化梯度计算；核心优势：模型简单、可解释性强（权重ww可反映特征对分类的影响程度）、训练速度快、泛化能力稳定；适用场景：二分类任务，尤其适合需要概率输出和特征解释的场景。逻辑回归的扩展形式（如Softmax回归）可用于多分类任务，但其核心思想（线性拟合+概率映射）保持一致。