task4心跳信号分类模型

心跳分类预测模型

逻辑回归

通过联系函数将线性回归z变化为g(z),并使g(z)的值分布在(0,1)之间
这个联系函数为Sigmoid函数
g(z) = 1 / (1+e-z)

ln y(x) / (1-y(x))
将 y(x) 和 1-y(x) 看作一对正反例发生的概率
y(x) 表示某样本的标签被预测为1的概率
1-y(x) 表示某样本的标签被预测为0的概率
y(x)/ (1-y(x)) 是样本的标签被预测为1的相对概率

使用最大似然法和概率分布函数推出逻辑回归的损失函数

逻辑回归优点
1.逻辑回归对线性关系的拟合效果好
2.逻辑回归计算快，计算效率优于svm和随机森林
3.逻辑回归返回的分类结果不是固定的0，1，而是以小数形式呈现的类概率数字
抗噪能力强，在小数据集上表现更好，大型数据集树模型表现更好

linear_model.LogisticRegression 逻辑回归回归分类器

评估指标 ： 损失函数
用来衡量参数sita的模型拟合训练集时产生的信息损失的大小，并以此衡量参数sita的优劣

逻辑回归的损失函数是由极大似然函数估计推导出来的

过拟合
追求损失函数的最小值，使模型在训练集上表现最优
会引发另一个问题：如果模型在训练集上表现优秀，却在测试集上表现糟糕，模型就会过拟合
虽然逻辑回归和线性回归是天生欠拟合的模型，但还是需要控制过拟合的技术来帮助调整模型
对逻辑回归中过拟合的控制，通过正则化来实现

linear_model.LogisticRegression 重要参数penalty正则化
正则化是用来防止模型过拟合的过程，常用的有L1正则化和L2正则化