linear regression 与 logistic regression的区别

最新推荐文章于 2024-05-31 09:00:00 发布
最新推荐文章于 2024-05-31 09:00:00 发布
阅读量5.9k 收藏 3
点赞数 4
分类专栏： 模式识别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mysee1989/article/details/81078066
版权

训练一个图像分类模型,实际上是训练了一个基于"最大似然估计"的模型. 所采用的softmax分类器, 别名也叫做 multinomial logistic regression.

为什么不能采用linear regression呢?  回答这个问题需要先了解liner regression 和 logistic regression的区别:

  1. 输出的区别. linear regression的输出是连续的,在有限空间可取任意值;  logistic regression的输出期望是离散的,只有有限个数值.
  2. 预期目标(label)的区别. linear regression的预期是连续变量,如auto-encoder模型预测一张图像; logistir regression的预期是离散的类别.
  3. 最小化误差的方法区别. 采用均方误差的linear regression对于大的误差施加二次倍数的惩罚, 而logistic regression把较大的误差惩罚到一个渐进的常数.
  4. 先验的区别.liner regression期望拟合训练数据,通过feature的线性加权来预测结果; logistic regression是在训练一个最大似然分类器.

参考:链接

mysee1989
关注
  • 4
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
logisticRegression_logisticregression_glmfit.m_matlab_
10-01
总结一下，`logisticRegression_logisticregression_glmfit.m_matlab_`涉及的是使用MATLAB的`glmfit`函数进行逻辑回归分析，特别是关注模型的θ参数，这些参数揭示了特征与目标变量之间的关系。通过运行`glmfit`并...
Linear Regression 与 Logistic Regression的不同、应用场景
简单记录生活、学习
05-06 904
（1） 二者应用不同 一般Linear Regression是解决回归问题，而 Logistic Regression是应用于分类问题。 Logistic Regression除了可以解决二分类问题外，还可以解决多分类问题。 采用 Logistic Regression进行多分类的思路是：选取某个分类作为正样本，其他分类作为负样本建立一个二分类模型；以此类推建立多个（有几个分类就建几个）二分类模型；对多个二分类模型的输出值进行大小比较，把样例归为输出值最大的那类。 （2）二者的代价函数...
复盘：手推LR（逻辑回归logistics regression），它和线性回归linear regression的区别是啥
weixin_46838716的博客
09-01 1404
LR是线性回归用sigmoid激活之后的概率，线性回归是线性回归问题，而逻辑回归是二分类问题，sigmoid求到很重要，另外，LR的最大似然函数求到很重要
逻辑回归（Logistic Regression)详解
最新发布
m0_73426548的博客
05-31 2203
逻辑回归，广义线性回归到逻辑回归、逻辑回归公式推导、逻辑回归迭代公式、逻辑回归做多分类
[机器学习笔记] Logistic Regression与Linear Regression的区别
梅森上校的博客 业精于勤荒于嬉，形成于思毁于随。
03-25 3761
逻辑回归（Logistic Regression）与线性回归（Linear Regression）的区别 Logistic Regression 应用于分类问题 除了可以解决二分类问题外，还可以解决多分类问题。 Logistic Regression 是离散的。例如预测明天天气-阴，晴，雨。分类问题是用于将事物打上一个标签，通常结果为离散值。例如判断一幅图片上的动物是一只猫还是一只狗...
logistic regression识别真假币
XuShuai
10-31 1770
介绍本篇实现了使用logisticlogistic回归进行真假币的判断，有关logistic regressionlogistic\ regression的详细讲解见这里。本篇使用随机梯度下降算法(SGD)(SGD)来求解logistic regressionlogistic\ regression，使用的数据集为钞票数据集。该数据集有17321732个样本， 每一个样本有44个特征。yy为00表示
Logistic Regression-生成模型和判别模型
qq_42225861的博客
10-26 1038
二分类器的训练 目标：根据人们的个人资料，判断其年收入是否高于 50,000 美元 1.读取数据 2.正则化 此函数用于规范特定列X 在处理测试数据时，训练数据的均值和标准方差将被重用 参数： X：待处理数据 train：处理训练数据时为“True”，测试数据为“False” 特定列：将规范化的列的索引。如果“无”，则所有列将被规范化。 X_mean：训练数据的平均值，当train='False’时使用 X_std：训练数据的标准偏差，当train='False’时使用 输出： X：标准化数据 X_me
Logistic_Classification_regressionlogistic_logisticregression_
10-01
2. **模型构建**：在Scikit-Learn中，使用`sklearn.linear_model.LogisticRegression`类创建逻辑回归模型。你可以设置不同的参数，如正则化强度（C）、解决过拟合的正则化类型（penalty）、优化算法（solver）等。 ...
LogisticRegresison_logisticregression_zip_
09-29
首先，我们需要导入必要的库，如`sklearn.linear_model`中的`LogisticRegression`类： ```python from sklearn.linear_model import LogisticRegression ``` 接着，我们需要准备数据。数据通常包含特征（X）和目标...
linear_ml_线性回归_python_ridgeregression_
09-29
在 Scikit-Learn 中，可以使用 `LogisticRegression` 类来实现，通过设置 `multi_class` 参数为 'multinomial' 来执行 SoftMax 回归。 在处理分类问题时，我们需要将输出类别编码为数字，例如使用 One-Hot 编码，...
scikit-learn/logistic regression识别mnist
szj_huhu的博客
07-12 2491
逻辑回归的对数似然损失函数cost function： 当y=1时，假定这个样本为正类。如果此时hθ(x)=1,则单对这个样本而言的cost=0,表示这个样本的预测完全准确。那如果所有样本都预测准确，总的cost=0 但是如果此时预测的概率hθ(x)=0，那么cost趋向于无穷大，那么此时就要对损失函数加一个很大的惩罚项。 logistic cost定义为： logistic回归主
线性回归（Linear Regression）和逻辑回归（Logistic Regression）
Yemiekai的博客
07-25 9619
1 线性回归（Linear Regression） 1.1 建立问题 举个例子，你有这样一组数据：波特兰市的城市住房价格的数据，不同尺寸的房子对应不同的售价。 现在你有个朋友想要卖房子，他的房子是1250平方英尺，大概能卖多少钱？ 我们可以根据这组数据，建立一个模型，然后用这组数据集去拟合模型。拟合完毕后，输入1250，它就会告诉你朋友能卖多少钱。 看起来这组数据似乎分布在一条直线附近： 好，只要找到这条直线的方程，你就能根据面积来预测房价了。（在这个例子里，直线方程就是我们要拟合的模型） 如何找到直线
逻辑回归（logistic regression）和线性回归（linear regression）
无人境域
12-17 5040
序号 逻辑回归 线性回归 模型归类 离散选择法模型 回归分析 数值类型 二元 一元或多元 公式 P(Y=1│X=x)=exp(x'β)/(1+exp(x'β))   逻辑回归 Logit模型（Logit model，也译作“评定模型”，“分类评定模型”，又作Logistic regression，“逻辑回归”）是离散选择法模型之
Logistic Regression详解
totodum的博客
06-01 1326
Regression是什么？ Regression：找到一个模型去表示数据间的关系 Linear Regression：使用线性模型拟合数据w d ， p Logistic Regression：其实本质也是线性拟合，但引入了log，这个之后会详细说 也就是说，不管什么Regression，都是想找到一个模型来拟合数据。 Likelihood Likelihood与我们平常所说的P
生成模型和判别模型-有向图和无向图-log linear model
Geek
03-31 296
先验分布与正则化有关
Linear Regression 与 Logistic Regression的几点不同
JingYi的专栏
12-22 5474
Linear Regression 与 Logistic Regression的几点不同
线性回归(Linear Regression)、逻辑回归(Logistic Regression)的原理、联系与区别
PuJiang-的博客
08-23 3307
线性回归、逻辑回归、原理
神经翻译笔记2. Log-linear语言模型
Timson的NLP笔记本
04-11 1313
文章目录神经翻译笔记2. Log-linear语言模型模型简介Softmax的计算问题模型示例学习模型参数损失函数使用随机梯度下降（SGD）进行优化损失函数对参数的偏导数 神经翻译笔记2. Log-linear语言模型 本章笔记基于[Neubig2017]第四章和NNMNLP第二章的一部分 上一章提到的N元语法模型实际上就是基于计数和条件概率，而log-linear语言模型（或称对数-线性语言模型...
from sklearn.linear_model import LogisticRegression
05-23
Logistic Regression is a statistical method used for binary classification problems (classifying data into two categories). It uses a logistic function to model the probability of a certain input belonging to a certain category. In Python, you can use the scikit-learn library to implement Logistic Regression using the `LogisticRegression` class from the `linear_model` module. Here's an example of how to use it: ``` from sklearn.linear_model import LogisticRegression from sklearn.datasets import load_iris # Load iris dataset iris = load_iris() # Create logistic regression object lr = LogisticRegression() # Fit the model to the data lr.fit(iris.data, iris.target) # Predict new data new_data = [[5.0, 3.6, 1.3, 0.25], [6.5, 3.0, 5.2, 2.0]] predictions = lr.predict(new_data) print(predictions) ``` In this example, we load the iris dataset and create a `LogisticRegression` object. We then fit the model to the data and predict the class of two new data points. The output should be an array with the predicted classes (0, 2) for the two new data points.

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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