什么是线性回归(linear regression)?
- 线性回归—回归—监督学习—机器学习
- 回归的目的是为了预测,回归之所以可以能预测是因为它通过大量历史数据总结出“套路”,然后利用这个“套路”来预测未来的结果。
- 线性回归指的是变量之间符合线性关系,那么通过历史数据,摸清变量之间的“套路”,建立一个有效的模型,来预测未来的变量结果。
- 优点:建模速度快,可解释性好;
- 缺点:不能很好拟合非线性数据
什么是逻辑回归(Logistic regression)?
- 逻辑回归—分类—监督学习—机器学习
- 逻辑回归主要解决二分类问题,用来表示某件事情发生的可能性
- 优点:实现简单,分类时计算量小,速度快,存储资源低
- 缺点:容易欠拟合,只能处理二分类问题,且必须线性可分,对于非线性特征,需要进行转换
线性回归与逻辑回归
- 线性回归解决分类问题,要求变量连续,符合线性关系,能够直观表达变量关系;
- 逻辑回归解决分类问题,要求变量离散,可以不符合线性关系,无法直观表达变量关系。