本文介绍了Logistic回归的一般步骤，包括数据收集、准备、分析和训练。强调了数据预处理的重要性，特别是处理缺失值的策略。讨论了Logistic回归的优缺点，适用数据类型，并提到了在实践中遇到的`RuntimeWarning: overflow encountered in exp`问题及其解决方案。
Logistic 回归的一般过程
收集数据：采用任意方法收集数据。
准备数据：由于需要进行距离计算，因此要求数据类型为数值型。另外，结构化数据格式最佳。
分析数据：采用任意方法对数据进行分析。
训练算法：大部分时间将用于训练，训练的目的是为了找到最佳的分类回归系数。
使用算法：首先，我们需要输入一些数据，并将其转换成对应的结构化数值；接着，基于训练好的回归系数就可以对这些数值进行简单的回归计算，判定他们属于哪个类别；在这之后，我们就可以在输出的类别上做一些其他的分析工作。
Logistic回归
优点：计算代价不高，易于理解和实现。
缺点：容易欠拟合，分类精度可能不高。
适用数据类型：数值型和标称型数据。
Sigmoid函数，参见百度百科。
最低0.47元/天 解锁文章
扫一扫
3072
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
