逻辑回归模型(Logistic regression,LR),又称对数几率模型。
由于逻辑回归模型简单,可解释强,易实现,广泛应用于机器学习、推荐系统、计算广告、智能营销、金融风控、社会学、生物学、经济学等领域。
本文以PPT的形式,首先回顾伯努利分布、逻辑函数、线性回归模型等逻辑回归模型的基础知识;接着,介绍LR模型的假设、原理、训练、特征工程;然后,给出LR模型的Python、Sklearn、TensorFlow实现、;最后,对LR模型进行总结,指出LR模型的优缺点,并与线性回归模型进行对比,以及LR的发展——多项逻辑回归、Softmax模型。
文章目录如下:
一、LR基础
1、伯努利分布
2、逻辑函数
3、回归分析
4、线性回归模型
二、LR原理
1、LR假设
2、LR原理
3、LR训练
4、LR特征工程
三、LR应用
1、LR的Python实现
2、LR的Sklearn实现
3、LR的TensorFlow实现
四、LR总结
1、LR的优缺点
2、逻辑回归 VS 线性回归
3、多项逻辑回归
4、Softmax模型
直接上PPT
什么是逻辑?
什么是回归?
一、LR基础
1、伯努利分布
什么是伯努利分布?
2、逻辑函数
什么是逻辑函数?
什么是Sigmoid函数?
3、回归分析
什么是回归分析?
4、线性回归模型
什么是线性回归模型?可以参考我的另一篇文章:
刘启林:线性回归模型的原理、公式推导、Python实现和应用zhuanlan.zhihu.com