分类-逻辑回归
逻辑回归:线性回归的式子作为逻辑回归的输入
逻辑回归是解决二分类问题的利器
sigmoid函数
逻辑回归公式
e:2.71;Z=回归的结果
逻辑回归的损失函数、优化
与线性回归原理相同,但由于是分类问题,损失函数不一样,只能通过梯度下降求解
目标值是1类
目标值是0类(判断的是属于1的概率)
逻辑回归只判断一个数的概率是多少
损失函数
损失函数:均方误差(不存在多个局部最低点,只有一个最小值)、对数似然损失(有多个局部最小值,目前解决不了的问题)
解决办法:1.多次随机初始化,多次比较最小值结果
2.求解过程中,调整学习率
(尽量改善)
sklearn逻辑回归API
skelarn.linear_model.LogisticRegression
LogisticRegression
skelarn.linear_model.LogisticRegression(penalty='12',C=1.0)
Logistic回归分类器
coef_:回归系数
分类流程
1.网上获取数据(工具pandas)
2.数据缺失值处理、标准化
3.LogisticRegression估计器流程
逻辑回归总结
只能解决二分类问题
优点:适合需要得到一个分类概率的场景、简单、速度快
缺点:不好处理多分类问题
softmax方法-逻辑回归在多分类问题上的推广