本文介绍了逻辑回归作为机器学习分类算法的工作原理，它是线性回归的特例，用于处理有限类别输出的问题。逻辑回归通过特定的公式将结果转化为[0,1]区间内的概率值。通过展示代码和分析，揭示了逻辑回归与线性回归的区别，并探讨了模型评估指标，如准确率、True Positive Rate和True Negative Rate。"
121482263,7800548,R语言Repeat函数实现循环执行任务,"['R语言', '数据分析', '机器学习']
逻辑回归（Logistic regression）是机器学习分类算法的其中一种，核心思想是利用现有数据对分类边界建立回归方程，以此进行分类。回归可以理解为最佳拟合，是一种选择最优分类的算法。
与线性递归（Linear Regression）师出同门，逻辑递归是线性递归的特殊表达形式。有一些目标函数给我们的不是具体的数值，比如预测房价。而是给了我们有限的选择值。比如预测能不能上清华，结果是有限的。能上用0表示，不能上用1表示。这种将结果分为有限的类的技巧就叫做逻辑递归。不同于线性递归，输出的是具体的值，逻辑递归输出的是一个概率的值。比如我们高中用历年学生的成绩用逻辑递归的方法做了一个能不能上清华的模型。我就我把一二模考试成绩输进去，他就告诉我0.99，一个具体的概率。这个概率是怎么算出来的呢？用什么样的算法呢？
逻辑递归公式：
这一部分的目的是将结果框在[0,1]这个区间上，毕竟俺输出的是概率。
是利用指数函数的性质将数值都转为非负数。这样就能把我们变量，经过这个公式，转化为一个零到一之间的数值啦。
让我们看一下代码，便于更深刻的理解。
def logistic(x):
return np.exp(x) / (1+np.exp(x))
x = np.linspace(-6,
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
