sklearn(8):logistic回归原理及二分类、多分类代码

最新推荐文章于 2024-08-05 17:02:14 发布

weixin_51182518

最新推荐文章于 2024-08-05 17:02:14 发布

阅读量1.9k

点赞数

文章标签：机器学习 python 逻辑回归

本文链接：https://blog.csdn.net/weixin_51182518/article/details/112390326

版权

本文深入探讨了logistic回归，包括其作为分类工具的logistic函数，回归过程，以及损失函数的构建。文章通过二分类的鸢尾花实例和softmax回归的多分类案例，展示了logistic回归的实际应用。

摘要由CSDN通过智能技术生成

1. 找到一个合适的预测函数，一般表示为h函数，该函数就是我们需要找的分类函数，它用来预测输入数据的判断结果。这个过程是非常关键的，需要对数据有一定的了解和分析，知道或者猜测预测函数的大概形式，比如是线性函数还是非线性函数。
2）构造一个loss损失函数，该函数表示预测的输出与训练数据类别之间的偏差。可以是二者之间的差或者是其他的形式。综合考虑所有训练数据的损失，将loss求和或者求平均，记为J(theta)函数，表示所有训练数据预测值与实际类别的偏差。
3）显然，J函数的值越小表示预测函数越准确。所以这一步需要做的是找到J函数的最小值。找到最小值有不同的方法。如梯度下降法。