线性回归、曲线回归及逻辑回归的区别
在学习过程中,会遇到各种各样的算法,包括分类算法、回归算法等,这些算法有的很经典。比如线性回归、曲线回归和逻辑回归。
1) 线性回归
线性回归可能是我们最早学到的函数。其实线性回归是最常用的机器学习算法。比如NG视频里面讲的房屋面积x与价格y的例子。线性回归是用的最广泛的机器学习算法。
选择模型就是:y=ax+b
特点:线性回归适合去那些非常明显的是线性关系数据。这时它的拟合效果是很好的。
缺点:对分线性关系的数据,拟合效果不好。
2) 曲线拟合:又称之为多项式拟合。是为了让弥补普通线性回归不擅长处理非线性问题而设计的,它给自变量加上一些适合当前问题的非线性特征(比如指数等等),让模型可以更好地拟合当前非线性问题。虽然有一些方法来帮助判断如何选择非线性特征,可以保证模型更优秀。但动手实践过的人,都知道,那有点纸上谈兵了,效果不好,而且有些非线性很难简单地表示出来!(来自知乎)
3)逻辑回归
其实逻辑回归和线性回归非常类似。有两点不同,第一,它比线性回归多一个sigmod函数。第二它是用来做分类的,最后有一个判断的过程。
它主要是用来分析当
因变量是分类变量的情况,且由于
本身带有一丝的非线性特征,所以在处理非线性问题时,模型表现的也挺好(要用好它,需要做好数据预处理工作,把数据打磨得十分“漂亮”)。企业十分喜欢用它来做数据挖掘,原因是算法本身表现良好,而且对模型的输出结果容易解释(领导们都听得懂)
(源自知乎http://www.zhihu.com/question/33489751)