本文详细介绍了逻辑回归在广告点击、垃圾邮件识别等场景的应用，深入剖析了其原理，包括线性回归与sigmoid函数的结合，以及对数似然损失函数的计算。通过实例演示了模型的计算过程，并提供了sklearn API的使用示例。
目录
一、逻辑回归应用场景
广告点击率（是否会被点击）
是否为垃圾邮件
是否患病
金融诈骗
虚假账号
二、逻辑回归原理
输入：
（逻辑回归的输入就是线性回归的输出）
输出：
回归的结果输入到sigmoid函数中。
输出结果：[0,1]区间中的一个概率值，默认为0.5。
函数计算出的结果如果大于阈值(0.5)，即y轴右边：属于该类别。
函数计算出的结果如果小于阈值(0.5)，即y轴左边：不属于该类别。
（阈值可以自己设定）
总的模型：
三、损失
逻辑回归的损失：对数似然损失。
公式：
四、类别划分
1、真实值属于该类别（y=1）
（输入越接近1，则越损失越小，结果越准确）
2、真实值不属于该类别（y=0）
3、完整损失函数
4、逻辑回归计算过程（重要）
1、先线性回归，得到结果
2、逻辑回归映射
（阈值可以自己确定，默认0.5）
3、带入计算
h(x)：线性回归的计算结果
y：真实结果
最终的值越小越好，分类更可靠。
API
sklearn.linear_model.LogisticRegression
2949
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
