逻辑回归算法总结

已于 2023-03-28 21:52:17 修改
阅读量292 收藏 1
点赞数
分类专栏： 深度学习 文章标签： 回归 机器学习 逻辑回归
于 2023-03-28 16:22:59 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40107571/article/details/129805298
版权
本文深入探讨了逻辑回归算法，包括模型、损失函数和评价指标如准确率、精准率与召回率。文章指出逻辑回归与线性回归的区别，并分析了其在处理分类问题时的优点和缺点，如在样本不均衡时准确率的局限性，以及在特征空间大时的性能下降等。
摘要由CSDN通过智能技术生成

模型

损失函数

评价指标

准确率(Accuracy)

 缺点：当样本不均衡的时候，这个指标不能用来评价模型的性能。比如测试集样本有正样本99个，负样本为1个，即使模型将所有样本都预测为正样本，也不能表示模型的性能比较好。

精准率(Precision)

针对预测结果而言的一个评价指标。在模型预测为正样本的结果中，真正是正样本所占的百分比

了解本专栏 订阅专栏 解锁全文 超级会员免费看
一壶浊酒..
关注
专栏目录
订阅专栏
《机器学习》算法实例-逻辑回归算法-梯度上升算法
02-25
《机器学习》算法实例——逻辑回归与梯度上升算法 逻辑回归（Logistic Regression）是机器学习中一种广泛应用的分类算法。它虽然名字中含有“回归”，但实际上是一种分类方法，尤其适用于处理二分类问题。在本实例...
机器学习算法之逻辑回归总结
weixin_42964610的博客
08-11 944
简介 逻辑回归虽然名字中有回归两字，但其属于分类算法的一种，常用于二分类问题，但其也可以适用于多分类，本文主要针对二分类进行说明，逻辑回归因其形式简单，模型的可解释性非常好，资源占用小，尤其是内存等优势在工业中界应用比较广泛，逻辑回归用一句话可以概括为：逻辑回归假设数据服从伯努利分布，通过极大似然函数的方法，运用梯度下降来求解参数，来达到二分类的目的，可以看到其包含了挺多知识点：假设、极大似然函数（损失函数）、梯度下降（求解方法）、二分类（目的）等，在介绍逻辑回归算法原理之前先来复习几个数学知识点。 相
逻辑回归算法梳理
baidu_22225919的博客
03-02 416
逻辑回归算法梳理 1.逻辑回归与线性回归的联系区别 线性回归是通过对数据进行建立模型，然后输入新数据可以得到一个预测值。而逻辑回归是一种经典得二分类算法。两者的联系在于将线性回归的输出经过一个Sigmoid函数，然后将该值映射到sigmoid函数中这样就完成了由值到概率的转换，也就是分类任务。 2.逻辑回归的原理 我们在线性回归中可以得到一个预测值，将该值映射到sigmoid函数中这样就完成了由...
逻辑回归评估指标
happy game
01-17 2390
一、混淆矩阵 1、首先我们要了解什么是混淆矩阵以及每一部分的含义： TP: 将正类预测为正类数（真阳性） FN: 将正类预测为负类数（伪阴性） FP: 将负类预测为正类数（伪阳性） TN: 将负类预测为负类数（真阴性） 2、案例：假设我们手上有60个正样本，40个负样本，我们想找出所有的正样本，模型查找出50个，其中只有40个是真正的正样本。 TP：40 FN：20 FP：10 TN：30 二、分类精度衡量指标 准确率(accuracy) = 预测对的/所有 = (T
第5节机器学习--逻辑回归--评估指标
Successful_clown的博客
08-05 1648
一、逻辑回归 1、有监督机器学习 线性回归：预测一个连续的值 逻辑回归：预测一个离散的值 例：阶跃函数：不连续的 2、 良性肿瘤 and 恶性肿瘤。 如果想要模型的y值坐落在[0,1]的区间上那么就需要使用sigmoid函数。 线性回归模型： 带入之后得： 如果： g（x） = 0.7 3、sigmoid函数的作用 数学上，是根据广义线性回归的模型推导所得的结果。 直观上，...
逻辑回归模型
weixin_30851409的博客
08-29 440
1.逻辑回归模型 1.1逻辑回归模型 考虑具有p个独立变量的向量,设条件概率为根据观测量相对于某事件发生的概率。逻辑回归模型可表示为 　　　　　　　　　（1.1） 上式右侧形式的函数称为称为逻辑函数。下图给出其函数图象形式。 其中。如果含有名义变量，则将其变为dummy变量。一个具有k个取值的名义变量，将变为k-1个dummy变量。这样，有 （1.2） 　　定义不发生事件的条件概率为 （1....
逻辑回归分类算法
12-21
总结来说，逻辑回归是一种有效的分类算法，尤其适用于处理二分类问题。通过sigmoid函数的非线性转换，它能够将连续的线性预测转换为概率值，进而用于分类决策。在实现过程中，注意特征缩放、代价函数的选择以及模型...
逻辑回归算法1
08-04
逻辑回归算法的构建主要涉及以下几个步骤： 1. **假设函数**： 逻辑回归的假设函数借鉴了线性回归，但进行了调整以适应分类需求。线性回归的假设函数通常为 ，其中 是特征向量， 是权重参数， 是截距项。在逻辑...
机器学习算法基础-逻辑回归
最新发布
09-16
总的来说，逻辑回归是机器学习中基础且实用的算法之一，掌握它对于理解和实践其他复杂的机器学习算法具有重要的铺垫作用。无论你是初学者还是经验丰富的数据科学家，深入理解逻辑回归都将对你的技能提升大有裨益。
逻辑回归的常见面试点总结
weixin_30257433的博客
10-27 1170
1.简介 逻辑回归是面试当中非常喜欢问到的一个机器学习算法，因为表面上看逻辑回归形式上很简单，很好掌握，但是一问起来就容易懵逼。所以在面试的时候给大家的第一个建议不要说自己精通逻辑回归，非常容易被问倒，从而减分。下面总结了一些平常我在作为面试官面试别人和被别人面试的时候，经常遇到的一些问题。 2.正式介绍 如何凸显你是一个对逻辑回归已经非常了解的人呢。那就是用一句话概括...
逻辑回归算法梳理（从理论到示例）
热门推荐
cuijiekun的博客
03-29 2万+
逻辑回归算法的原理
logistic regression (逻辑回归算法)
u013342396的博客
01-22 2万+
一、LR产生背景 先看下面两张网上借鉴的图1和图2。X轴表示肿瘤大小，Y轴>0.5表示是癌症，否则不是。紫色直线表示预测直线，从图中可以看出，X对应到预测直线上的值之后，上面4点是癌症，下面4点不是癌症。再转到图2，点的排列一旦变化，0.5的阈值很可能就不适用，这主要是在线性拟合中，Y的值无限延伸造成的。 为了解决Y值无限延伸的问题，LR算法应运而生，把Y的值限定在0和1之间，完美解决Y值无限
机器学习故事汇-逻辑回归算法
迪哥有点愁
09-02 1629
机器学习故事汇-逻辑回归算法 【咱们的目标】系列算法讲解旨在用最简单易懂的故事情节帮助大家掌握晦涩无趣的机器学习，适合对数学很头疼的同学们，小板凳走起！前文导航（建议木有基础的同学先看）：
【UFLDL】softmax+logistics
lvsolo的专栏
11-15 224
如果你在开发一个音乐分类的应用，需要对k种类型的音乐进行识别，那么是选择使用 softmax 分类器呢，还是使用 logistic 回归算法建立 k 个独立的二元分类器呢？ 这一选择取决于你的类别之间是否互斥，例如，如果你有四个类别的音乐，分别为：古典音乐、乡村音乐、摇滚乐和爵士乐，那么你可以假设每个训练样本只会被打上一个标签（即：一首歌只能属于这四种音乐类型的其中一种），此时你应该使用类别数 k
逻辑回归算法小结
qq_39494028的博客
01-24 489
自己手撸了一遍并做了可视化，又用sklearn实现了一遍，以备遗忘。 sklearn实现 逻辑回归 from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split import pandas as pd import numpy as np df=pd...
机器学习(8): 逻辑回归算法 小结及实验
TechArtisan6的博客
07-23 7118
文章目录1 逻辑回归算法简介2 算法原理2.1 线性回归2.2 逻辑回归2.3 损失函数(cost function)2.4 梯度下降法(1) 直观理解(2) 梯度下降法——代数法(3) 梯度下降的种类2.5 线性回归与逻辑回归的区别3 实验3.1 逻辑回归——批量梯度下降法(BGD)3.2 逻辑回归——随机梯度下降法(SGD)3.3 从疝气病症预测病马的死亡率4 逻辑回归算法的优缺点参考资料 ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一壶浊酒..

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值