本文介绍了使用逻辑回归进行心脏病预测的案例，讲解了Sigmoid函数、混淆矩阵、ROC曲线等关键概念，并提供了实例数据的分析结果。通过逻辑回归模型，评估了分类器的性能，讨论了阈值对预测的影响。
逻辑回归的输出结果是判定二分类的，在实际问题中可用来解决二分类问题，当然也可利用多次的oneVSother来解决多分类问题。
现在我们有270人的身体指标数据，包括年龄、性别、心率最大值、以及是否患有心脏病等数据。现在我们要利用逻辑回归来判断一个人是否患有心脏病。也就是根据逻辑回归的输出判定一条数据是类1，还是类0。本例中患心脏病为类0。
逻辑回归最关键的就是理解Sigmoid函数，也称为Logistic函数，其表达式、图像分别为：
通过图像可以更好的理解为什么被称为Logistic函数。
不难看出，此函数的输出是0-1之间的数。针对单条数据，我们这么考虑这个问题，把这个函数的输出值看作属于类1的概率，如果这条数据是类1，我们就让这个函数的值接近1；如果这条数据是类0，我们就让1减去这个函数的值接近1。多条数据的说明见下文。
下面介绍如何评价一个分类器的好坏：在评价时，一般把两种类别称为正类和负类。其中我们比较关心的类别是正类，例如本例中我们把没有心脏病的看作正类。
一、混淆矩阵
其中准确率(ar)：预测类别正确的样本占所有样本的比例；
精确率(pr)/查准率：正类样本中预测正确的与所有预测为正类的样本数的比；
召回率(rr)/查全率：正类样本中预测正确的占所有实际正类的比例
最低0.47元/天 解锁文章
3774
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
