本文介绍了Logistic回归的基本原理，包括其作为分类算法的用途、与线性回归的区别，以及sigmoid函数的应用。通过示例展示了线性回归在分类问题上的局限性，并引入了Logistic回归的假设函数和代价函数，解释了为何要采用最大似然估计作为优化目标。文章还提及了梯度下降法在求解模型参数中的作用。
Logistic 回归模型是目前广泛使用的学习算法之一，通常用来解决二分类问题，虽然名字中有“回归”，但它是一个分类算法。有些文献中译为“逻辑回归”，但中文“逻辑”与 logistic 和 logit 的含义相去甚远，因此下文中直接使用 logistic 表示。Logistic 回归的优点是计算代价不高，容易理解和实现；缺点是容易欠拟合，分类精度可能不高。
以肿瘤分类为例，我们要预测肿瘤是否为恶性肿瘤，我们用 0 和 1 表示这两个取值，用 0 表示不是恶性肿瘤，用 1 表示是恶性肿瘤（当然也可以反过来，没有影响），那么数据集如图所示。
假如用线性回归模型来拟合的话，看起来可能会是这样的。
我们可以设置阈值为 0.5，如果输出小于等于 0.5
最低0.47元/天 解锁文章
扫一扫
417
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
