一、逻辑回归的介绍
(一)概念:逻辑回归是机器学习的一种分类模型,逻辑回归是一种分类算法,由于简单高效,在实际中应用非常广泛。
(二)逻辑回归的应用场景
广告点击率、是否为垃圾游戏、是否患病、金融诈骗、虚假账号
(三)逻辑回归的原理
1.核心点:
逻辑回归中输入的值是:线性回归的结果
判断逻辑回归的输出:
2.输入为线性回归的结果,即就是:
3.激活函数,即就是sigmoid函数:
判断标准:
回归的结果输入到sigmoid函数当中
输出结果:[0,1]区间的一个概率值,默认为0.5为阈值
输出结果解释(重要):假设有两个类别A,B,并且假设我们的概率值为属于A(1)这个类别的概率值。现在有一个样本的输入到逻辑回归输出结果0.55,那么这个概率值超过0.5,意味着我们训练或者预测的结果就是A(1)类别。那么反之,如果得出结果为0.3那么,训练或者预测结果就为B(0)类别。
关于逻辑回归的阈值是可以进行改变的,比如上面举例中,如果你把阈值设置为0.6,那么输出的结果0.55,就属于B类。
在之前,我们用最小二乘法衡量线性回归的损失。
在逻辑回归中,当预测结果不对的时候,我们该怎么衡量其损失呢?
那么如何去衡量逻辑回归的预测结果与真实结果的差异呢?
(三)损失以及优化
1.概念:逻辑回归的损失称之为对数似然损失。
分开类别:
其中y为真实值,hθ(x)为预测值