超级会员免费看
本文介绍了使用逻辑回归进行心脏病预测的实践，通过理解Sigmoid函数，结合270人的身体指标数据，展示如何运用逻辑回归进行二分类。讨论了混淆矩阵、精确率、召回率和F度量作为分类器评价标准，并探讨了ROC曲线及其在设定不同阈值时的影响。同时，给出了阈值为0.5时的心脏病预测混淆矩阵。
逻辑回归的输出结果是判定二分类的，在实际问题中可用来解决二分类问题，当然也可利用多次的oneVSother来解决多分类问题。
现在我们有270人的身体指标数据，包括年龄、性别、心率最大值、以及是否患有心脏病等数据。现在我们要利用逻辑回归来判断一个人是否患有心脏病。也就是根据逻辑回归的输出判定一条数据是类1，还是类0。本例中患心脏病为类0。
逻辑回归最关键的就是理解Sigmoid函数，也称为Logistic函数，其表达式、图像分别为：
通过图像可以更好的理解为什么被称为Logistic函数。
不难看出，此函数的输出是0-1之间的数。针对单条数据，我们这么考虑这个问题，把这个函数的输出值看作属于类1的概率，如果这条数据是类1，我们就让这个函数的值接近1；如果这条数据是类0，我们就让1减去这个函数的值接近1。多条数据的说明见下文。
下面介绍如何评价一个分类器的好坏：在评价时，一般把两种类别称为正类和负类。其中我们比较关心的类别是正类，例如本例中我们把没有心脏病
订阅专栏 解锁全文
3889
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
