逻辑回归是一种用于解决分类问题的机器学习方法。它是一种基于概率思想的预测分析技术。分类算法 Logistic 回归用于预测分类因变量的似然性。逻辑回归中的因变量是二进制变量,数据编码为 1(是、真、正常、成功等)或 0(否、假、异常、失败等)。
Logistic 回归的目标是发现特征与特定结果的可能性之间的联系。例如,当根据学习的小时数预测学生是否通过考试时,响应变量有两个值:通过和失败。\n\nLogistic 回归模型类似于线性回归模型,不同之处在于 Logistic 回归使用更复杂的成本函数,称为“Sigmoid 函数”或“逻辑函数”而不是线性函数。
很多人可能会有一个疑问,Logistic Regression 是分类还是回归范畴。逻辑回归假设表明成本函数被限制在 0 和 1 之间的值。因此,线性函数无法描述它,因为它可能具有大于 1 或小于 0 的值,根据逻辑逻辑,这是不可能的回归假设。
每一位伟大领袖的背后,都有一个更伟大的后勤人员。
为了回答这个问题,逻辑回归也被认为是一种回归模型。该模型创建了一个回归模型来预测给定数据条目属于标记为“1”的类别的可能性。逻辑回归使用 sigmoid 函数对数据进行建模,就像线性回归假设数据服从线性分布一样。
它被称为“逻辑回归”,因为其背后的技术与线性回归非常相似。“Logistic”这个名字来自 Logit 函数,它被用于这种分类方法。