逻辑回归与线性回归本质区别

最新推荐文章于 2024-11-29 16:00:21 发布

阿什么七

最新推荐文章于 2024-11-29 16:00:21 发布

阅读量303

点赞数

文章标签：机器学习深度学习

本文链接：https://blog.youkuaiyun.com/coderobot_/article/details/130148316

版权

线性回归主要用于建立输入与连续输出之间的关系，适用于回归预测。而逻辑回归是线性回归的变体，常用于二分类或多分类问题，输出是类别概率，因此是常用的分类算法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

线性回归是一种用于建立输入变量与连续输出变量之间关系的机器学习算法。通常，线性回归用于解决回归问题，即预测一个连续值输出。因此，线性回归并不是一个分类算法。

然而，可以使用线性回归的变体——逻辑回归来解决分类问题。逻辑回归可以用于二分类问题或多分类问题。与线性回归不同的是，逻辑回归输出的是一个概率值，表示属于每个类别的概率。然后可以根据概率值来进行分类决策。因此，逻辑回归是一种广泛使用的分类算法，而线性回归则不适合用于分类问题

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

阿什么七

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

【机器学习】逻辑回归与线性回归之间的异同

热情、奔放、快乐编程！

01-04

668

逻辑回归与线性回归是机器学习中非常常用和基础的模型，面试当中也会经常被问到，而两者有着很多共同点，就连名字都差不多一样，所以会被问道两者的区别也是太正常不过了。逻辑回归要解决的是分类问题，而线性回归处理的是回归问题，为了建立其回归与分类之间的关系，因此就考虑到使用sigmoid函数。可以通过对（3）式进行变换得到公式（4），而该式的右侧就是线性回归，所以就沿用了“回归”一词，不过这里的回归是指对“：逻辑回归处理的是分类问题，而线性回归处理的是回归问题。的线性回归，于是“逻辑回归”这个称谓就延续了下来。

为什么不使用线性回归而是逻辑回归解决二分类预测问题

weixin_43842041的博客

02-27

5421

1.逻辑回归解决的问题毫无疑问是分类问题，可以有多分类和二分类。 2.为什么不使用线性回归？（逻辑回归与线性回归的异同？）一句话，是因为当因变量为概率时，用不了线性回归。为啥？ 线性回归需要两个假设条件，即：高斯马尔科夫条件 {cov(ϵi,ϵj)=0if i≠jD(ϵi)=σ2任意iE(ϵi)=0\begin{cases} cov(\epsilon_i,\epsilon_j)...

参与评论您还未登录，请先登录后发表或查看评论

线性回归和逻辑回归的区别

炸奥利奥的小奶油的专栏

02-18

1万+

线性回归：根据几组已知数据(x(1),y(1)),(x(2),y(2)),...,(x(i),y(i)),...,(x(n),y(n)){(x^{(1)},y^{(1)}),(x^{(2)},y^{(2)}),...,(x^{(i)},y^{(i)}),...,(x^{(n)},y^{(n)})}和拟合函数hθ(x)=θTxh_θ(x)=θ^Tx训练其中未知参数θ=[θ1,θ2,...,θi,...

线性回归和逻辑回归的区别_逻辑回归

weixin_39585974的博客

11-27

1114

python逻辑回归分类算法：逻辑回归不是回归算法，是分类算法，本身就是一个二分分类的算法。二分分类：分类结果标签只有两个。机器算法输入的标签是数值型。与线性回归算法的区别：线性回归预测的结果y是连续的数值。逻辑回归预测的结果y是离散型数值。逻辑回归的原因是逻辑函数参数z是一个回归函数。逻辑函数：可以将y值控制在0-1之间。逻辑函数值表示分类结果为某一个标签值时的概率值，通过映射关系到标签值上面。...

线性回归和逻辑回归的区别_【基础】线性回归和逻辑回归

weixin_39593744的博客

11-23

3473

回归和分类回归和分类是机器学习可以解决两大主要问题，从预测值的类型上来区分，连续变量的预测称为回归，离散变量的预测称为分类。例如：预测房价的价格是一个回归任务；预测一张图片是猫还是狗的图片是分类任务。线性回归在一维特征空间，线性回归是通过学习一条直线，使得这条之间尽可能的拟合所有已有的看到的点的值，并希望测试数据尽可能的落到这条线上，有很好的繁华性能。其中是预测值，是实际值。在多维...

【机器学习300问】61、逻辑回归与线性回归的异同？

qq_39780701的博客

04-02

1981

本文讲述两个经典机器学习逻辑回归（Logistic Regression）和线性回归（Linear Regression）算法的异同，有助于我们在面对实际问题时更好的进行模型选择。也能帮助我们加深对两者的理解，掌握这两类基础模型有助于进一步理解更复杂的模型结构，例如逻辑回归是许多复杂分类算法的基础模型之一，对其深入理解有助于后续学习神经网络、支持向量机等更为复杂的模型。如果对这两个模型的基本知识有所遗忘，可以观看我之前的文章哦：【机器学习300问】15、什么是逻辑回归模型？

【机器学习】线性回归和逻辑回归有什么区别？这篇超详细的指南慢慢告诉你！

最新发布

一位人工智能领域的小新，想要努力发光发热

11-29

3456

在机器学习中，线性回归和逻辑回归是两种常见的回归模型，虽然它们都包含“回归”这一术语，但应用场景和数学原理却有显著差异。线性回归主要用于回归问题，目标是通过自变量与因变量之间的线性关系预测连续数值，而逻辑回归则是用于二分类问题，输出类别概率。本文详细比较了线性回归和逻辑回归的核心区别，包括问题类型、输出形式、模型假设、损失函数、评估指标和决策边界等。通过对比分析，帮助读者深入理解这两种模型的适用场景与优缺点，从而能够在实际问题中做出正确的算法选择。

一文搞懂线性回归和逻辑回归

qq_42216093的博客

11-08

5563

1.线性回归（Linear Regression） 1).介绍 线性回归是机器学习中最基础、最经典的算法之一，它利用线性函数对一个或多个自变量和因变量之间关系进行建模，建模过程就是使用数据点来寻找最佳拟合线。线性回归分为两种类型：单变量线性回归(Linear Regression with One Variable)，一个自变量和一个结果变量，能在二维平面可视化；和多变量线性回归(Linear Regression with Multiple Variables)，至少两组自变量。有一点需要注意，“线

贝叶斯公式、逻辑回归与线性回归

StarCoder_WangYue的博客

05-25

1033

学习打卡内容：从基础概率推导贝叶斯公式，朴素贝叶斯公式先验概率与后验概率学习LR和linear regreeesion之间的区别推导sigmoid function公式李宏毅机器学习P8部分截图一、贝叶斯以及朴素贝叶斯公式推导二、先验概率与后验概率先验概率是指根据以往经验和分析得到的概...

在解决分类问题时，为何不用传统线性回归模型，而要用logistic模型

qq_44794961的博客

08-22

1595

胡言乱语

人工智障学习笔记——机器学习(2)线性模型

九日王朝

11-02

1870

一.概念线性模型：就是线性的模型。其实我在网上搜了很久，想用一句话能够简单易懂的表达出这个概念，但是确实不知道该怎么组织语言。不过相信有一些数学基础的同学应该是能明白的。我们可以这样认为，世界上所有的问题都可以用公式表达，如果任何问题都是可以用线性模型来描述的，那么我们人人都可以预测未来，因为其模型非常的简单。但是很遗憾，大多数问题都是非线性的。二.线性回归线性

机器学习之理解逻辑回归

superY_26的博客

10-20

2009

一、逻辑回归简介 逻辑回归其实是一个线性分类器，其本质是由线性回归变化而来，是一种广泛使用于分类问题中的广义回归算法。其中线性回归模型如下图(向量形式)：模型的求解方法有最小二乘法而逻辑回归则是将线性回归通过Sigmoid函数映射到(0,1)之间如图： Tips:最小二乘法和梯度下降的区别最小二乘法求解系数theta主要数学上的求极值的方法，求偏导然后使偏导为零。梯度下降法，首先目标函数(假设只有theta0和theta1): 然后其求解的迭代公式：将线性回归模型带入S

逻辑回归和线性回归区别

踩过的坑

08-22

3万+

1）线性回归要求变量服从正态分布，logistic回归对变量分布没有要求。 2）线性回归要求因变量是连续性数值变量，而logistic回归要求因变量是分类型变量。 3）线性回归要求自变量和因变量呈线性关系，而logistic回归不要求自变量和因变量呈线性关系 4）logistic回归是分析因变量取某个值的概率与自变量的关系，而线性回归是直接分析因变量与自变量的关系总之, logis

逻辑回归与线性回归的区别与联系

机器人视觉感知

07-28

2万+

逻辑回归与线性回归都属于广义线性回归模型,其区别与联系从以下几个方面比较：分类与回归:回归模型就是预测一个连续变量(如降水量，价格等)。在分类问题中，预测属于某类的概率，可以看成回归问题。这可以说是使用回归算法的分类方法。输出:直接使用线性回归的输出作为概率是有问题的，因为其值有可能小于0或者大于1,这是不符合实际情况的，逻辑回归的输出正是[0,1]区间。见下图，参数估计方法：线性回...

为什么不用线性回归解决分类问题

weixin_38410551的博客

04-14

4782

线性回归用来解决分类问题时，稳定性差。当样本分布比较复杂时，线性回归无法做到准确的分类。例如：（1）无异常值的线性回归情况: 只要将阈值设定为0.5，就可以进行很好地分类。（2）有异常值的线性回归情况: 需要将阈值设定为0.2,才可以进行很好地分类。（3） 逻辑回归对异常值具有很好地稳定性。 2. 线性回归的取值范围为负无穷到正无穷，逻辑回归的取值为0,1。 ...

对线性回归、逻辑回归、各种回归的概念学习

热门推荐

viewcode的专栏

04-17

28万+

回归问题的条件/前提： 1）收集的数据 2）假设的模型，即一个函数，这个函数里含有未知的参数，通过学习，可以估计出参数。然后利用这个模型去预测/分类新的数据。 1. 线性回归 假设特征和结果都满足线性。即不大于一次方。这个是针对收集的数据而言。收集的数据中，每一个分量，就可以看做一个特征数据。每个特征至少对应一个未知的参数。这样就形成了一个线性模型函数，向量表示形

线性回归于逻辑回归的区别

qq_43114738的博客

03-22

6039

其实没有多大的区别，就是逻辑回归多了一个Sigmoid函数，使样本能映射到[0,1]之间的数值，用来做分类问题。简单的例子就是可以使用吴恩达的课程中的例子来解释，线性回归用来预测房价，能找到一个公式来尽量拟合房价和影响房价因素之间的关系，最后得到的公式能准确的用来预测房价。在对参数不断调优以找到一组最拟合数据的参数来构成一个最好的模型，就是线性回归。在吴恩达的课程中举了一个癌症的例子如果我们用线性回归来预测癌症的话，可以想象对于这种分类问题，线性回归很难找到一个完美拟合数据的模型，而且一些特别的数据

知乎转载 逻辑回归线性非线性疑问

u011094358的博客

11-23

7138

逻辑斯蒂回归能否解决非线性分类问题？逻辑斯蒂回归提出时用来解决线型分类问题，其分离面是一个线型超平面wx+b，如果将这个超平面改成非线性的，如x1^2+x2=0之类的非线性超平面来进行分类，是否也可以正确分类呢，如果像SVM一样加入核扩展到高维是否也可行呢？添加评论分享查看全部 8 个回答赞同6 反

逻辑回归与线性回归的区别

01-12

逻辑回归与线性回归的区别主要体现在以下几个方面： 1. 模型形式：逻辑回归的模型本质上是一个线性回归模型，但是通过使用sigmoid函数将线性回归的输出转化为概率值，从而实现对二分类问题的建模。而线性回归则是直接使用线性函数进行预测。 2. 预测范围：线性回归在整个实数域范围内进行预测，而逻辑回归的预测范围被限定在[0,1]之间，表示样本属于某一类的概率。 3. 优化目标：线性回归使用最小二乘法作为优化目标函数，而逻辑回归使用似然函数进行优化。 4. 适用问题：线性回归适用于连续型变量的预测问题，而逻辑回归适用于二分类问题。 5. 鲁棒性：逻辑回归对于分类问题的鲁棒性比线性回归更好。逻辑回归通过sigmoid函数将输出限制在[0,1]之间，可以更好地处理0/1分类问题。综上所述，逻辑回归与线性回归在模型形式、预测范围、优化目标、适用问题和鲁棒性等方面存在明显的区别。