温故知新，巩固基础-吴恩达视频学习记录 logistic

Logistic回归是一种用于分类问题的统计模型，特别适用于二分类任务（即输出类别只有两个）。它的核心思想是通过一个逻辑函数（Sigmoid函数）将线性回归的输出结果映射到0到1之间的概率值，然后根据这个概率值进行分类。

具体来说，logistic回归模型假设输入特征的线性组合与输出类别之间存在某种关系。它通过以下步骤来实现分类：

1. 线性组合：首先，对输入特征进行线性组合，即计算输入变量的加权和，再加上一个偏置项（bias），公式为：

   z=w1x1+w2x2+⋯+wnxn+bz = w_1x_1 + w_2x_2 + \dots + w_nx_n + bz=w1​x1​+w2​x2​+⋯+wn​xn​+b

   其中，wiw_iwi​ 是每个输入特征的权重，xix_ixi​ 是输入特征，b 是偏置项。

2. 逻辑函数：然后，将这个线性组合的结果输入到一个逻辑函数（Sigmoid函数）中，以将结果映射到0到1之间，公式为：

   Sigmoid(z)=1/（1+e−z1）​

   这个函数的输出即为输入数据属于某个类别的概率。

3. 分类：最后，根据这个概率值，通常设定一个阈值（如0.5）来进行分类。如果概率大于等于0.5，则分类为正类（例如1），否则分类为负类（例如0）。

应用：Logistic回归广泛应用于各种分类问题，如信用卡欺诈检测、疾病预测、市场营销中的客户分类等。

优点：

• 简单易理解，易于实现。
• 对数值特征和二分类任务有良好的表现。

局限性：

• 仅适用于二分类任务，多分类任务需要扩展为多项式Logistic回归。
• 对非线性关系的建模能力有限，可能需要引入更多特征或使用更复杂的模型。
• 损失函数用来判断预测值和实际值是否准确。