天池机器学习笔记——task01

逻辑回归是分类模型

逻辑回归特点：模型简单和模型的可解释性强。

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

分析流程：

• Part1 Demo实践
• • Step1:库函数导入
• • Step2:模型训练
• • Step3:模型参数查看
• • Step4:数据和模型可视化
• • Step5:模型预测

• Part2 基于鸢尾花（iris）数据集的逻辑回归分类实践
• • Step1:库函数导入
• • Step2:数据读取/载入
• • Step3:数据信息简单查看
• • Step4:可视化描述
• • Step5:利用 逻辑回归模型 在二分类上 进行训练和预测
• • Step5:利用 逻辑回归模型 在三分类(多分类)上 进行训练和预测

• 回归的基本方程为z=w0+∑Niwixiz=w0+∑iNwixi，

• 将回归方程写入其中为：p=p(y=1|x,θ)=hθ(x,θ)=11+e−(w0+∑Niwixi)p=p(y=1|x,θ)=hθ(x,θ)=11+e−(w0+∑iNwixi)

  所以, p(y=1|x,θ)=hθ(x,θ)p(y=1|x,θ)=hθ(x,θ)，p(y=0|x,θ)=1−hθ(x,θ)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=11+e−zy=11+e−z,当 z=>0z=>0时,y=>0.5y=>0.5,分类为1，当 z<0z<0时,y<0.5y<0.5,分类为0，其对应的yy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ww。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。