逻辑回归（Logistic Regression）

原创

已于 2024-01-16 20:58:59 修改 · 1.4k 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#逻辑回归 #算法 #机器学习

于 2024-01-16 13:35:52 首次发布

本文介绍了线性回归和逻辑回归的区别，探讨了在手写数字MNIST和CIFAR-10数据集上的分类任务，以及如何使用sigmoid函数将模型输出映射到概率区间。作者还展示了如何使用PyTorch实现逻辑回归并可视化结果。

文章目录

回顾
- Linear Regression
分类任务
- The MNIST Dataset
- The CIFAR-10 dataset
回归VS分类
- sigmoid函数
逻辑回归

回顾

Linear Regression

在这里插入图片描述

线性回归是用于预测连续值，做预测；而逻辑回归是预测离散值，即是用来分类的。

分类任务

The MNIST Dataset

手写数字数据集，包含训练集：60000样本；测试集：10000样本，共10类别
在这里插入图片描述
torchvision库里面包含有一些常用的数据集。

import torchvision
train_set = torchvision.datasets.MNIST(root='../dataset/mnist', train=True, download=True)#root:数据集下载路径；train=True：训练集
test_set = torchvision.datasets.MNIST(root='../dataset/mnist', train=False, download=True)

The CIFAR-10 dataset

Training set: 50,000 examples,
Test set: 10,000 examples.
Classes: 10

在这里插入图片描述

train_set = torchvision.datasets.CIFAR10(root='../dataset/mnist', train=True, download=True)
test_set = torchvision.datasets.CIFAR10(root='../dataset/mnist', train=False