55-sklearn中的逻辑回归

最新推荐文章于 2024-03-13 22:14:53 发布

蓝子娃娃

最新推荐文章于 2024-03-13 22:14:53 发布

阅读量167

点赞数

分类专栏：机器学习

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_41033011/article/details/109181615

版权

机器学习专栏收录该内容

89 篇文章 47 订阅

订阅专栏

sklearn中的逻辑回归

在上一篇博客中介绍了在逻辑回归中添加多项式项，使得生成相对不规则的决策边界，进而对于非线性的数据进行一个很好的分类。不过，既然引入了多项式项，我们的模型就会变得非常复杂，一不小心就会出现过拟合的情况。解决过拟合的问题，一个常规的手段就是之前学习的模型正则化的方式。

之前我们学习的模型正则化的方式，都是在损失函数 $J (θ)$ 后面添加一个 $L_1$ 正则项或者 $L 2$ 正则项，并在正则项前添加一个系数 $α$ 维持 $J (θ)$ 与正则项之间的平衡。
在这里插入图片描述

不过，我们在逻辑回归中使用模型正则化与之前稍有不同，我们不在正则项前添加一个系数，而是在 $J (θ)$ 前添加一个系数 $C$ 。
在这里插入图片描述

在 $s k l e a r n$ 中也是使用这种方式。因为这种方式使得你不得不进行正则化，因为 $L_1$ 和 $L_2$ 前面的系数不能为 0。

下面我们就来看一下 $s k l e a r n$ 是怎么封装逻辑回归的，与此同时，尝试在逻辑回归中引入正则化。

在这里插入图片描述

之前有提到过说，逻辑回归只能解决二分类的问题。但是我们也可以利用一些技巧使得逻辑回归能够解决多分类的问题。

具体代码见 55 sklearn中的逻辑回归.ipynb

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
55-sklearn中的逻辑回归

sklearn中的逻辑回归在上一篇博客中介绍了在逻辑回归中添加多项式项，使得生成相对不规则的决策边界，进而对于非线性的数据进行一个很好的分类。不过，既然引入了多项式项，我们的模型就会变得非常复杂，一不小心就会出现过拟合的情况。解决过拟合的问题，一个常规的手段就是之前学习的模型正则化的方式。之前我们学习的模型正则化的方式，都是在损失函数 J(θ)J(θ)J(θ) 后面添加一个 L1L_1L1 正则项或者 L2L2L2 正则项，并在正则项前添加一个系数 ααα 维持 J(θ)J(θ)J(θ) 与正
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

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。