机器学习第8天---逻辑回归---k-means原理以及案例

最新推荐文章于 2023-08-31 16:09:29 发布
最新推荐文章于 2023-08-31 16:09:29 发布
阅读量650 收藏 1
点赞数
分类专栏： 机器学习2
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_43498494/article/details/106248570
版权
本文介绍了逻辑回归的应用场景、损失函数和在广告点击率预测中的运用，强调了逻辑回归作为二分类模型的特点。此外，文章还探讨了k-means聚类算法的原理和案例，展示了在没有目标值的情况下如何进行数据分类，并讨论了聚类效果的评估方法。
摘要由CSDN通过智能技术生成

文章目录

模型的保存与加载

模型训练好后之后再用时肯定不用再重新训练了。
在这里插入图片描述
可以用sklearn将我们的模型给保存下来。
在这里插入图片描述
在这里插入图片描述
加载相当于读取序列化后的文件。pkl是sklearn固定的保存文件的格式，是一个二进制文件，保存后返回就是保存的模型。

已线性回归为例

在这里插入图片描述
在这里插入图片描述

读取数据文件

此时不用再去训练模型了，即根据读取的模型参数直接去预测。
在这里插入图片描述

分类算法—逻辑回归定义，损失函数，优化与线性回归比较

应用

在这里插入图片描述
这些特点就是二分类场景。
在这里插入图片描述
在这里插入图片描述
广告点击率：当用户去某个网站点击的广告，你这个广告要给某些网站公司付一些钱。就是二分类问题，你这个点击还是没有点击。
在这里插入图片描述
可以用逻辑回归求出广告点击概率与不点击概率，则之后再去做广告或投放广告时，我先预测下这个广告可以带来的收入是多少，能否被用户点击。
在这里插入图片描述
因为线性回归作为逻辑回归的输入，所以逻辑回归也有过拟合问题。在这里插入图片描述
从线性回归到分类问题，可以用sigmoid函数实现。
在这里插入图片描述
因为sigmoid函数将输入映射到0-1区间了，而这个区间又是概率的区间。所以sgmoid将输入转化为概率值了。
在这里插入图片描述
在这里插入图片描述
则小于0.5概率可以归为0，大于0.5概率可以归为1。
在这里插入图片描述

损失函数

在这里插入图片描述
在这里插入图片描述

最低0.47元/天 解锁文章
qq_43498494
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
[Python从零到壹] 十三.机器学习之聚类算法四万字总结全网首发（K-Means、BIRCH、树状聚类、MeanShift）
杨秀璋的专栏
07-06 1万+
欢迎大家来到“Python从零到壹”，在这里我将分享约200篇Python系列文章，带大家一起去学习和玩耍，看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解，真心想把自己近十年的编程经验分享给大家，希望对您有所帮助，文章中不足之处也请海涵。Python系列整体框架包括基础语法10篇、网络爬虫30篇、可视化分析10篇、机器学习20篇、大数据分析20篇、图像识别30篇、人工智能40篇、Python安全20篇、其他技巧10篇。您的关注、点赞和转发就是对秀璋最大的支持，知识无价人有情，希望
机器学习算法基础 DAY 7 逻辑回归&k-means
weixin_44376037的博客
11-10 852
模型的保存与加载 from sklearn.externals import joblib 保存： joblib.dump(rf,'test.pkl') 加载： estimator = joblib.load('test.pkl') 注：文件格式pkl 加载训练好的模型，就不需要再进行模型训练。 分类算法-逻辑回归 线性回归的式子作为逻辑回归的输入。 逻辑回归是解决二分类问题的利器 sigmoid函数 与y轴交点值为0.5 逻辑回归公式 输出：[0,1]区间的概率值，默认0.5作为阈值 注：g(
机器学习数据特征归一化和标准化
RuiClear的博客
08-20 712
数据特征处理方法
Kmeans初始类簇的选取？
花小七
12-19 1816
Kmeans初始类簇的选取？ 答：k-means++算法选择初始seeds的基本思想就是：初始的聚类中心之间的相互距离要尽可能的远。 1. 从输入的数据点集合中随机选择一个点作为第一个聚类中心 2. 对于数据集中的每一个点x，计算它与最近聚类中心(指已选择的聚类中心)的距离D(x) 3. 选择一个新的数据点作为新的聚类中心，选择的原则是：D(x)较大的点，被选取作为聚类中心的概率较大 4...
挖掘建模之K-means聚类算法
student_thon的博客
05-07 673
定义 K-Means算法（K-均值聚类）是典型的基于距离的非层次聚类算法，在最小化误差函数的基础上将数据划分为预定的类数K，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度越大。 算法过程 从N个样本数据中随机选取K个对象作为初始的聚类中心 分别计算每个样本到各聚类中心的距离，将对象分配到距离最近的聚类中 所有对象分配完成之后，重新计算K个聚类的中心 与前一次计算得到的K个聚类中...
数据预处理 （ 特征工程）
jindaxiaoooo的博客
08-10 489
数据预处理 （特征工程） 一、标准化/归一化的好处 1.1 提升模型精度 举一个简单的例子，在KNN中，我们需要计算待分类点与所有实例点的距离。假设每个实例点（instance）由n个features构成。如果我们选用的距离度量为欧式距离，如果数据预先没有经过归一化，那么那些绝对值大的features在欧式距离计算的时候起了决定性作用，soga。 1.2 提升收敛速度 对于线性model来说，数据归一化后，最优解的寻优过程明显会变得平缓，更容易正确的收敛到最优解。 比较这两个图，前者是没有经过归一化的，
机器学习 笔记03——逻辑回归 + 分类问题评估指标：精确率、召回率、F1-score、AUC指标
S1406793的博客
11-06 4550
solver可选参数：{'liblinear', 'sag', 'saga', 'newton-cg', 'lbfgs'}默认 'liblinear' ：用于优化问题的算法。对于小数据集来说，'liblinear' 是个不错的选择。而'sag'和'saga'对于大数据集会更快。对于多分类问题，只有'newton-cg', 'sag' 和’lbfgs‘可以处理多项损失，'liblinear'仅限于'one-versus-rest'分类。penalty：正则化种类，默认L2正则化。
机器学习算法基础(8): 逻辑回归算法和K-means聚类算法
JJJJJJames的博客
12-09 548
模型的保存和加载 from sklearn.externals import joblib 分类算法：逻辑回归 逻辑回归：线性回归的式子作为输入，解决二分类问题， 也可以得出概率值 1、应用场景（基础分类问题：二分类） 广告点击率 是否为垃圾邮件 是否患病 金融诈骗 虚假账号 2、广告点击 点击 没点击 3、逻辑回归的输入与线性回归相同 将线性回归的输入转变为一个分类问题 4、sigmoid函数 函数y轴为概率值 逻辑回归也是一个算法自我学习的过程
机器学习-Sklearn（第三版）Day6 聚类算法K-means
weixin_43902376的博客
12-23 165
在过去的五周之内，我们学习了决策树，随机森林，逻辑回归，他们虽然有着不同的功能，但却都属于“有监督学习”的一部分，即是说，模型在训练的时候，即需要特征矩阵X，也需要真实标签y。机器学习当中，还有相当一部分算法属于“无监督学习”，无监督的算法在训练的时候只需要特征矩阵X，不需要标签。我们曾经学过的PCA降维算法就是无监督学习中的一种，聚类算法，也是无监督学习的代表算法之一。聚类算法又叫做“无监督分类”，其目的是将数据划分成有意义或有用的组（或簇）。
Logistic 回归
Harder_14的博客
09-11 784
Logistic 回归的步骤可以划为以下几步： 1. 准备数据：标准化数据，如图片可以reshape成（n_w*n_h*3,1），不同维度的数据进行归一化等等； 2. 做好服务模型准备，例如权重的初试化，包括随机初始化（np.random.rand）或零值初始化（np.zeros）等方法，还有sigmoid函数； def sigmoid(z): """ Compute the sigmoid of z Arguments: z -- A scalar or nump
规范化：标准化、归一化、中心化
最新发布
光尘的博客
08-31 1212
1、归一化（Normalization）概念：数值的归一，将数值规约到(0,1)或(-1,1)区间目的：消除量纲，便于不同单位或量级的指标能够进行比较和加权。2、标准化（Standardization）概念：数据分布的归一，原始数据减均值之后，再除以标准差。将数据变换为均值为0，标准差为1的分布，切记：并非一定是正态的。目的：消除量纲，便于后续的梯度下降和激活函数对数据的处理。因为标准化后，数据以0为中心左右分布，而函数sigmoid,Tanh,Softmax等也都以0为中心左右分布；
[机器学习] 数据特征 标准化和归一化
热门推荐
摩登都市天空---专栏
07-24 2万+
一、标准化/归一化定义 归一化和标准化经常被搞混，程度还比较严重，非常干扰大家的理解。为了方便后续的讨论，必须先明确二者的定义。 归一化 就是将训练集中某一列数值特征（假设是第i列）的值缩放到0和1之间。方法如下所示： 标准化 就是将训练集中某一列数值特征（假设是第i列）的值缩放成均值为0，方差为1的状态。如下所示： 进一步明确二者含义 ...
逻辑回归(Logistic Regression)
tianqinglei的博客
01-31 879
2.1分类问题 在分类问题中，我们尝试预测的是结果是否属于某一个类（例如正确或错误）。分类问题的例子有：判断一封电子邮件是否是垃圾邮件；判断一次金融交易是否是欺诈等等。 我们从二元的分类问题开始讨论。 我们将因变量(dependant variable)可能属于的两个类分别称为负向类（negative class）和正向类（positive class），则因变量 其中 0 表示负向类
逻辑斯蒂回归 逻辑回归_逻辑回归简介
weixin_26704853的博客
09-03 921
逻辑斯蒂回归 逻辑回归Logistic regression is a classification algorithm, which is pretty popular in some communities especially in the field of biostatistics, bioinformatics and credit scoring. It’s used to assi...
python机器学习—逻辑回归
plant_123的博客
08-31 693
python 机器学习
Logistics回归
u013732444的博客
04-30 5367
1.什么是Logistics？ Logistics回归虽然后缀回归，但是不属于回归算法，而是分类算法。该算法通过在样本空间中寻找一个分类超平面，将正负样本分别分到互不相交的两个子空间中。 2、算法公式推导 数据准备：logistics算法需要使用数值型数据，对于标称型数据需要转换为数值型数据，为了加速收敛，通常会对原始数据进行标准化。 它是对感知机算法的一种改良版，感知机算法的模型
Python Spark MLlib之逻辑回归
SanFancsgo的博客
09-11 3156
数据准备 和决策树分类一样，依然使用StumbleUpon Evergreen数据进行实验。 Local模式启动ipython notebook cd ~/pythonwork/ipynotebook PYSPARK_DRIVER_PYTHON=ipython PYSPARK_DRIVER_PYTHON_OPTS="notebook" MASTER=local[*] pyspark...
【机器学习笔记4】逻辑回归模型
issey的博客
08-02 1万+
逻辑回归，sigmoid函数，对数损失函数，决策边界；代码实现，案例分析实现；F1-Score评估标准
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
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