逻辑回归是一种用于有监督学习的分类任务的简单算法
逻辑回归通过计算数据属于各类别的概率来进行分类
概述
算法说明
具体说明
示例代码
import numpy as np
from sklearn.linear_model import LogisticRegression
X_train = np.r_[np.random.normal(3, 1, size=50),
np.random.normal(-1, 1, size=50)].reshape((100,-1))
y_train = np.r_[np.ones(50), np.zeros(50)]
model = LogisticRegression()
model.fit(X_train,y_train)
model.predict_proba([[0], [1] ,[2]])[:, 1]
详细说明
决策边界
在解决分类问题时,让学习后的数据对未知数据分类,模型以某个地方为边界来区分分类结果,该边界即为决策边界
逻辑回归的决策边界是计算出的概率为50%的地方
平面情况下,逻辑回归决策边界是直线
决策边界形状因使用算法各异
对特征的解释
通过查看逻辑回归中每个特征的系数的符号,判断其对概率是正影响还是负影响