本学习笔记为阿里云天池龙珠计划机器学习训练营的学习内容，学习链接为：
https://tianchi.aliyun.com/specials/promotion/aicampml
一、学习知识点概要
1. 逻辑回归
- 是分类模型，一个线性分类器
2. 逻辑回归模型的优劣势:
- 优点：实现简单，易于理解和实现；计算代价不高，速度很快，存储资源低；
- 缺点：容易欠拟合，分类精度可能不高
- 逻辑回归方程：
z= W 0 W_{0} W0 + ∑ i M \sum_{i}^{M} ∑iM W i W_{i} Wi X i X_{i} Xi
将回归方程写入其中为：
p
=
p
(
y
=
1
∣
x
,
θ
)
=
h
θ
(
x
,
θ
)
=
1
1
+
e
−
(
w
0
+
∑
i
N
w
i
x
i
)
p = p(y=1|x,\theta) = h_\theta(x,\theta)=\frac{1}{1+e^{-(w_0+\sum_i^N w_ix_i)}}
p=p(y=1∣x,θ)=hθ(x,θ)=1+e−(w0+∑iNwixi)1
所以,
p
(
y
=
1
∣
x
,
θ
)
=
h
θ
(
x
,
θ
)
p(y=1|x,\theta) = h_\theta(x,\theta)
p(y=1∣x,θ)=hθ(x,θ)，
p
(
y
=
0
∣
x
,
θ
)
=
1
−
h
θ
(
x
,
θ
)
p(y=0|x,\theta) = 1-h_\theta(x,\theta)
p(y=0∣x,θ)=1−hθ(x,θ)
逻辑回归从其原理上来说，逻辑回归其实是实现了一个决策边界：对于函数 y = 1 1 + e − z y=\frac{1}{1+e^{-z}} y=1+e−z1,当 z = > 0 z=>0 z=>0时, y = > 0.5 y=>0.5 y=>0.5,分类为1，当 z < 0 z<0 z<0时, y < 0.5 y<0.5 y<0.5,分类为0，其对应的 y y y值我们可以视为类别1的概率预测值.
对于模型的训练而言：实质上来说就是利用数据求解出对应的模型的特定的 w w w。从而得到一个针对于当前数据的特征逻辑回归模型。
而对于多分类而言，将多个二分类的逻辑回归组合，即可实现多分类。
二、学习内容
1. sklearn模型参数
- coef_ 模型对应参数w
- intercept 模型对应偏置 b
- n_iter_ 模型迭代次数
- classes_ 标签列表
2. seaborn一共有5个大类21种图
- Relational plots 关系类图表
1. relplot 关系类图表的接口，其实是下面两种图的集成，通过指定kind参数可以画出下面的两种图
2. scatterplot 散点图
3. lineplot 折线图
- Categorical plots 分类图表 catplot 分类图表的接口，其实是下面八种图表的集成，，通过指定kind参数可以画出下面的八种图
1. stripplot 分类散点图
2. swarmplot 能够显示分布密度的分类散点图
3. boxplot 箱图
4. violinplot 小提琴图
5. boxenplot 增强箱图
6. pointplot 点图
7. barplot 条形图
8. countplot 计数图
- Distribution plot 分布图
1. jointplot 双变量关系图
2. pairplot 变量关系组图
3. distplot 直方图，质量估计图
4. kdeplot 核函数密度估计图
5. rugplot 将数组中的数据点绘制为轴上的数据
- Regression plots 回归图
1. lmplot 回归模型图
2. regplot 线性回归图
3. residplot 线性回归残差图
4. Matrix plots 矩阵图
5. heatmap 热力图
6. clustermap 聚集图
3. mpl_toolkits.mplot3d 绘制三维图
- Axes3D 三维散点图
三、学习问题与解答
刚开始看不明白为什么iris数据集实践，三分类模型和二分类模型一样，仔细看发现iris_features_part函数不包括类别为2的样本，只有2类样本数据。而下面iris_features是3类样本数据。
扫一扫
191
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
