逻辑回归

逻辑回归是一种广泛应用于二分类问题的监督学习模型。它利用logistic函数来预测事件发生的概率,并通过最大似然估计推导出损失函数。尽管容易过拟合,但可通过正则化来提升泛化能力。文章讨论了逻辑回归的优缺点,以及在Python中实现的代码示例。
摘要由CSDN通过智能技术生成

前言

逻辑回归形式简单、模型可解释性好、模型效果也不错,因此在工业界的使用率很高。逻辑回归属于监督学习中的分类模型,主要用于二分类。核心是利用logitistic函数拟合数据的到一件事情发生的概率,然后根据概率进行分类。

逻辑回归原理

logistic函数

逻辑回归的因变量取值只有0和1。假设在n个独立自变量 x0;x1;;xn x 0 ; x 1 ; ⋯ ; x n

记y=1的概率为:

p=P(y=1|X) p = P ( y = 1 | X )

记y=0的概率为:1-p。那么0和1的概率比(优势比 Odds)为

p1p p 1 − p

对odds取对数即得logistic变换

Logit(p)=ln(p1p) L o g i t ( p ) = l n ( p 1 − p )

ln(p1p)=z l n ( p 1 − p ) = z

p=11+ez p = 1 1 + e − z
评论
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