可解释的机器学习（三）：可解释的模型-逻辑回归

可解释的机器学习（三）：可解释的模型-逻辑回归

线性模型用于分类的问题：不输出概率，但将它类视为数字（0和1），并你和最佳超平面以最小化点和超平面之间的的距离。所以它知识在点之间插值，不能将它们解释为概率。

分类的解决问题是逻辑回归。它不是拟合直线或超平面，而是使用逻辑函数将线性方程的输出挤压到0和1之间。
$$logistic(\eta )=\frac{1}{1+exp(-\eta )}$$

$$P(y^{(i)}=1)=\frac{1}{1+exp(-({\beta }_0+{\beta }_1{x}_1^{(i)}+\cdots +{\beta }_p{x}_p^{(i)}))}$$

解释

权重不再线性地影响概率，加权和由逻辑函数转换为概率。

为解释重新构造方程：
l o g ( P ( y = 1 ) 1 − P ( y = 1 ) ) = l o g ( P ( y = 1 ) P ( y = 0