本文介绍了逻辑回归作为二分类模型的基本概念，包括其在回归与分类任务中的应用，以及为何在概率预测中使用Sigmoid函数。逻辑回归通过Logistic方程将线性回归结果映射到0到1之间，以得出概率预测。文章还讨论了最大似然估计法和梯度下降法在求解逻辑回归模型参数中的作用，并提供了Python实现逻辑回归的简单示例。
1：逻辑回归
机器学习有回归与分类
我们可以按照任务的种类,将任务分为回归任务和分类任务.按照较官方些的说法,
输入变量与输出变量均为连续变量的预测问题是回归问题。输出变量为有限个离散变量的预测问题成为分类问题。
不同的人对应不同的身高与体重，我们显然可以看作一个连续的模型，但如果医学上的检测一个人是否患有肿瘤，这个显然只有两种可能，有或者没有，这是一个离散的模型。
简单的来说它是线性回归的一种，事实上它是一-个被logistic方程归一化后的线性回归。在许多实际问题中，比如流行病学常研究的二分类因变量(患病与未患病、阳性与阴性等)与一(X1X2*.*. Xn))自变量的关系这类问题时，我们需要回归产生一个类似概率值(0-1)之间的数值来进行预测。这种情况下这个数值必须是0^ 1之间，而线性回归就显得无能为力了，因此人们引入了Logistic方程来做归一化。使得因变量的取值框定在了0^ 1之间。这种变换方法我们就称之为逻辑回归。
逻辑回归又称Logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘、疾病自动诊断、经济预测等领域。逻辑回归从本质来说属于二分类问题。（通过控制一定的阈值把问题分为两类结果）例如一个患肿瘤的概率为0.01我们通常则可认为它没患肿瘤，但如果一个人患肿瘤的概率为0.99我们则通常认为它患肿瘤。
逻辑回归的原理是用逻辑函数把线性回归的结果(-∞,∞)映射到(0,1)
这是一个线性函数，我们需要处理把它的结果控制在(0,1)
我们需要借助sigmoid函数
sigmoid函数 （又称逻辑回归函数）
该函数有一个很好的特性就是在实轴域上y的取值在（0,1），且有很好的对称性，对极大值和极小值不敏感（因为在取向无论是正无穷还是负无穷的时候函数的y几乎很稳定）
把线性回归函数的结果y，放到sigmod函数中去，就构造了逻辑回归函数。由y的值域和sigmod函数的值域知，在逻辑回归函数中用sigmod函数把线性回归
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
