学习笔记:逻辑斯蒂回归(logistic regression)

本文探讨了逻辑斯蒂回归的原理,包括为何选择logistic函数以及如何寻找模型参数。通过分析单个样本的cost function和总体样本的cost function,解释了寻找最优参数组的目标,即最大化正例分类概率并最小化总体cost。同时,提到了实际应用中的注意事项,如特征缩放和正则化以减轻过拟合。
摘要由CSDN通过智能技术生成

什么是逻辑斯蒂回归,参见维基百科的解释点击打开链接

后面的参考博客已经给逻辑斯蒂回归做了很多基础东西的讲解(越是基础的东西越难讲清楚)。在这里我对逻辑斯蒂回归记录一点自己的认识。


两个问题:

Q1,为什么选用logistic function?

Q2,logistic regression模型参数怎么找?



Q1,为什么选用logistic function?

参考博客4中给出的一个解释,在此进行罗列。

    一个线性模型的输出值 y 越大,这个事件 P(Y=1|x) 发生的概率就越大。 另一方面,我们可以用事件的几率(odds)来表示事件发生与不发生的比值,假设发生的概率是 p ,那么发生的几率(odds)是 p/(1-p) , odds 的值域是 0 到正无穷,几率越大,发生的可能性越大。将我们的直觉与几率联系起来的就是下面这个(log odds)或者是 logit 函数 

                                   

由上述函数可以可以得到逻辑斯蒂回归模型:

                                     

                                     


Q2,logistic regression模型参数怎么找

             是样本,每个样本是由一组样本特征表示。

           是参数组,每个参数组由对应特征的参数组成。


       logistic regression建模时候无非就是找到一组非常合适的参数<

评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值