逻辑回归是一种分类算法，通过对线性回归的变换，得到0到1之间的值来预测概率。它通过求解模型参数来实现，其中逻辑回归模型结合了线性模型与非线性logistics变化。在训练过程中，使用最大似然估计进行参数预估，并通过梯度下降或拟牛顿法优化损失函数。正则化如L1和L2则用于防止过拟合。常应用于用户点击率预估等场景。
1简介：
逻辑回归是一个分类算法，本质是对线性回归做了一个变换。将值域压在0~1的空间。从而可以未每一个特征，估算出一个概率。作预测问题。二分类。
逻辑回归问题，本质上就变成，求解变换后的每个特征的权重。
ax1+bx2+cx3 = (0~1);
求解模型参数θ：
（a b c）权重。
的问题。
2 算法细节：
分类算法模型：
y = f（x）
y：用户对系统的反馈，1或者0.（label）。有监督的学习，我们需要收集大量的样本。并且要带有预测目标的label值。同时也是作为我们要预测的值。
x：特征向量。（id：6，name：kesalin，salary ： 6000），输入的特征。
f：算法模型，逻辑回归模型。
逻辑回归算法：
y = { 0 ， 1} 。二值
x = （ 125， 367， 756 ， ... ， n）。n维实数向量
样本 ： （x ， y） = （ 125， 367， 756 ， ... ， n，0 / 1}
逻辑回归模型：
logistics 变化 σ(x)= 1 / (1 + e^-x) 。 是一个非线性的模型
线性模型 g(x) = 2 x1 + 3 x2 + ... + 643 xn + 865 = θΤ x + b 。 是一个线性模型
逻辑回归模型 就是对线性模型 g(x) 作为 x ，代入 logistics 变化 σ(x)。将值域压缩到 0 到 1 之间。
1 / ( 1 + e^ - g(
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
