机器学习之逻辑回归 Logistic Regression(一)

本文介绍了逻辑回归的基本概念,包括其作为分类工具的用途,通过sigmoid函数将线性回归结果转化为概率。逻辑回归利用sigmoid函数创建决策边界,通过梯度下降优化模型参数,解决二分类问题。此外,文章还探讨了损失函数和logit函数在模型中的作用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

参考 http://blog.youkuaiyun.com/han_xiaoyang/article/details/49123419

一、逻辑回归

        逻辑回归是一个应用非常广泛的机器学习分类算法,它将数据拟合到一个logit函数中,从而完成对事件发生概率的预测。线性回归对连续值进行预测,现实生活中常见的另一类问题是分类问题。最直接的想法是,用线性回归预测出连续值结果,根据结果设定一个阈值进行分类。但很多实际的情况下,需要学习的分类数据并没有那么精准,线性回归+阈值的方式很难完成一个鲁棒性很好的分类器。

        在这样的场景下,逻辑回归诞生了。它的核心思想是,如果线性回归的结果输出是一个连续值,而值的范围是无法限定的,那是否可以把这个结果映射为(0, 1)上的概率值,帮助判断结果。sigmoid函数就是这样一个简单的函数:


        从函数图上可以看出,函数y=g(z)在z=0时为1/2,随着z逐渐变小,函数值趋于0,z逐渐变大时函数值趋于1。如果定义线性回归的预测函数为,那么逻辑回归的输出,其中y=g(z)正是上述sigmoid函数。
        直观地在二维空间理解逻辑回归,sigmoid函数的特性使得判定的阈值能够映射为平面的一条判定边界,当然随着特征的复杂化,判定边界可

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值