逻辑回归是一个二分类算法，常用于面试中。它假设特征与结果间存在线性关系，并通过sigmoid函数进行分类。极大似然函数作为损失函数，可采用L1或L2正则化。逻辑回归适用于数据简单、速度快、可解释性好的场景，但对数据不平衡和非线性问题处理有限。常见应用包括预测、分类和特征影响分析。与线性回归的主要区别在于目标函数和应用场景。
写完这部分后参加联想实习面试，问到了好几个。
面试已过
逻辑回归是一个二分类算法，假设特征和结果存在线性映射关系，存在一个目标函数使得输入一个样本后得到对应的概率，再通过sigmoid函数根据设定的阈值分成两类。可以简单认为是线性回归+sigmoid函数。
基本假设：输出的类别服从伯努利二项分布，即输出的结果要么为0，要么为1。
损失函数：逻辑回归的损失函数是它的极大似然函数。
什么是极大似然估计呢？就是根据给定的样本信息，推测最大可能导致这些样本结果出现的模型参数是什么。为什么使用极大似然函数？因为极大似然函数是高阶连续可导的凸函数，可以得到全局最优解。
正则化：在损失函数后加上惩罚项，对某些参数作一些限制
参考：
L1正则化方法（lasso）和L2（ridge）正则化方法的区别_wangyanao520的博客-优快云博客_对于线性回归模型l2正则化方法是指
最低0.47元/天 解锁文章
扫一扫
675
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
