文章探讨了logistic Regression在处理分类问题时遇到的界限线性问题，并提出解决方案。通过特征转换，例如将原始特征转化为与特定点的距离，可以构造出能被直线区分的新特征。当特征转换不易时，采用级联逻辑斯特回归（Cascading logistic regression）策略，通过多阶段的特征转换和logistic Regression应用，有效解决分类难题。
logistic Regression存在的限制：（所有图来源于Bishop）
Problem：对于logistic Regression解决分类问题，分类边界是一条直线，但是当存在某些数据，会找不到一条直线分界，怎么办呢？
Solve：（1）feature transformation，即特征转换。举例说明：
存在4组数据，[ x1, x2] 分别是[0, 0]、 [0, 1]、 [1, 0]、 [1, 1]，zhe我们把数据点画在二维平面上，如下图所示：
我们发现无论如何也无法找到一条直线作为分界来划分红色和蓝色的数据点。此时，我们可以进行特征转换，特征转换可以自定义方式，比如：
[ x1, x2<
最低0.47元/天 解锁文章
扫一扫
227
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
