逻辑回归算法梳理

1、逻辑回归与线性回归的联系与区别

联系：
线性回归决策函数
将其通过sigmoid函数，获得逻辑回归的决策函数
区别：
线性回归用来预测，逻辑回归用来分类。
线性回归是拟合函数，逻辑回归是预测函数
线性回归的参数计算方法是最小二乘法，逻辑回归的参数计算方法是梯度下降
参考博客：https://blog.csdn.net/lx_ros/article/details/81263209

2、 逻辑回归的原理

如果线性回归的结果输出是一个连续值，而值得范围是无法限定的，那我们没有办法把这个结果值映射为可以帮助我们判断的结果，如果输出结果是（0,1）的一个概率值，就可以很容易判断结果。逻辑回归正是利用了这样一个函数——sigmoid函数：
在这里插入图片描述
其图像如下：

3、逻辑回归损失函数推导及优化

参考博客：https://blog.csdn.net/chibangyuxun/article/details/53148005

4、 正则化与模型评估指标

正则化：正则化就是在损失函数后加上一个正则化项（惩罚项），其实就是常说的结构风险最小化策略，即经验风险（损失函数）加上正则化。一般模型越复杂，正则化值越大。
L1正则化（L1范数）指的是权重参数W的各项元素绝对值之和
L2（L2范数）权重参数W的各项元素的平方和的开方
线性回归模型，使用L1正则化的模型建叫做Lasso回归，使用L2正则化的模型叫做Ridge回归（岭回归）
L1正则化可以产生稀疏权重矩阵，即大部分w为0，只有少数w非0，可以用于特征选择

5、逻辑回归的优缺点

优点：1）适合需要得到一个分类概率的场景。2）计算代价不高，容易理解实现。在时间和内存需求上相当高效。它可以应用于分布式数据，并且还有在线算法实现，用较少的资源处理大型数据。3）对于数据中小噪声的鲁棒性很好，并且不会受到轻微的多重共线性的特别影响。
缺点：1）容易欠拟合，分类精度不高。2）数据特征有缺失或者特征空间很大时表现效果并不好。

6、样本不均衡问题解决办法

样本的过采样和欠采样。
使用多个分类器进行分类。
将二分类问题转换成其他问题。
改变正负类别样本在模型中的权重
参考博客：https://blog.csdn.net/hustchenze/article/details/83008357

7、sklearn参数

见上篇