K-means和逻辑回归

逻辑回归

一个事件的几率是该事件发生的概率/该事件不发生的概率：P/（1-P）
对数几率是：log(P/（1-P）)

**考虑对输入x分类的模型：**log(P/（1-P）)=wx 则 P=exp(wx)/(exp(w*x)+1)
线性函数越接近于正无穷，概率越接近1、线性函数越接近于负无穷，概率越接近0

逻辑回归就是线性回归+sigmoid

优缺点

优点：

• 速度快，适合二分类问题
• 简单易于理解，直接看到各个特征的权重
• 能容易地更新模型吸收新的数据

缺点：

• 对数据和场景的适应能力有局限性，不如决策树算法适应性那么强