目录
1. 逻辑回归与线性回归的联系与区别
逻辑回归是用来分类的,是一个非线性的二分类模型,主要是计算在某个样本特征下事件发生的概率,但是它本质上又是一个线性回归模型,除去sigmoid映射函数,其他的步骤,算法都是线性回归的。可以说,逻辑回归,都是以线性回归为理论支持的。
逻辑回归与线性回归都属于广义线性回归模型。
线性回归主要用来解决连续值预测的问题,逻辑回归用来解决分类的问题。
逻辑回归与线性回归最大的区别就在于它们的因变量不同,线性回归要求因变是连续数值变量,而逻辑回归要求因变量是离散的类型变量。
线性回归是直接分析因变量与自变量的关系,逻辑回归是分析因变量取某个值的概率与自变量的关系。
2. 逻辑回归的原理
我们了解了线性回归的原理就是把点落在一条直线上,而在逻辑回归的部分则是希望能够把点落在一条曲线上,然后我们再用一个阈值来将那些点分开而达到分类的效果。
逻辑回归的公式可以表示为:
其中,预测函数
被称作sigmoid函数,它有一个非常好的性质,即当z趋于正无穷时,趋于1,而当z趋于负无穷时,趋于0,这非常适合于我们的分类概率模型。sigmoid函数图像如下图所示:
对于输入x分类结果为类别1和类别0的概率分别为:
3. 逻辑回归损失函数推导及优化
我们可以