逻辑回归的感悟

本文深入解析了分类与回归两种机器学习任务的区别,重点阐述了逻辑回归与线性回归的工作原理及应用场合,同时介绍了softmax函数在多分类问题中的运用。

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

关于分类和回归的区别就是一个是离散一个是连续。
另外逻辑回归(可以看出来就是为了分类)和线性回归的区别:softmax函数的目的就是输出0~1之间的预测(比如输出使用了在这里插入图片描述),
就是所谓的做逻辑回归,其loss是交叉熵(可以说专门用于逻辑回归)的变种(信息熵还是什么的,就是忽略错误的估计项,自己去复习)。线性回归是没有范围的,如y=wx+b是输出任意值,所以其损失函数也一般是用最小二分法,用于做线性回归预测(比如boundingbox的坐标等预测)。

softmax思想如下
采用 Logistic Regression进行多分类的思路是:选取某个分类作为正样本,其他分类作为负样本建立一个二分类模型;以此类推建立多个(有几个分类就建几个)二分类模型;对多个二分类模型的输出值进行大小比较,把样例归为输出值最大的那类

### 随机森林回归预测在 MATLAB 中的实现 MATLAB 提供了强大的工具来支持机器学习模型的构建应用,其中包括随机森林(Random Forest)。以下是有关如何利用 MATLAB 实现随机森林回归预测的具体方法。 #### 使用 `TreeBagger` 或 `fitcensemble` 构建随机森林模型 MATLAB 的统计与机器学习工具箱提供了两种主要方式用于创建随机森林模型:`TreeBagger` `fitrensemble` 函数。这两种函数都可以用来训练随机森林并进行回归预测[^1]。 ##### 方法一:基于 `TreeBagger` `TreeBagger` 是一种灵活的方式,可以轻松地生成多个决策树组成的随机森林,并允许用户自定义参数设置。 ```matlab % 加载数据集 load carsmall; X = [Acceleration Cylinders Displacement Horsepower Weight]; Y = MPG; % 创建随机森林模型 (Bagging Trees) numTrees = 50; % 设置树木数量 rfModel = TreeBagger(numTrees, X, Y, 'Method', 'regression'); % 进行预测 newData = [15.5, 6, 200, 150, 3000]; % 新样本输入特征向量 predictedValue = predict(rfModel, newData); disp(predictedValue); % 显示预测结果 ``` 上述代码展示了如何通过加载汽车性能数据集 (`carsmall`) 并使用 `TreeBagger` 来建立一个由 50 棵树构成的随机森林模型。最后一步是对新数据点执行预测操作。 ##### 方法二:基于 `fitrensemble` 另一种更现代的选择是采用 `fitrensemble` 函数,它不仅能够处理分类问题还能解决回归任务。此函数默认会调用 Bagged Trees 算法作为其基础估计器之一。 ```matlab % 定义训练数据 XTrain = [Acceleration Cylinders Displacement Horsepower Weight]; YTrain = MPG; % 训练集成模型 ensModel = fitrensemble(XTrain,YTrain,'Method','Bag','NumLearningCycles',50); % 测试新的观测值 testSample = [17.5, 4, 180, 120, 2500]; predictionResult = predict(ensModel,testSample); fprintf('Predicted fuel efficiency: %.2f mpg\n', predictionResult); ``` 这段脚本同样演示了一个完整的流程——从准备训练资料到最终得出针对单一样品的速度效能预估值的过程。 #### 参数调整建议 为了获得最佳表现效果,在实际运用过程中可能还需要考虑一些额外因素比如最大叶子节点数目(`MaxLeafNodes`)、最小分割大小(`MinLeafSize`)以及采样比例等等。这些超参可以通过交叉验证技术来进行优化选择[^2]。 #### 总结 无论是选用哪种途径去搭建自己的随机森林架构体系结构,都离不开对原始素材深入理解基础上合理选取变量组合策略;同时也要注意评估各自优缺点以便于后续改进措施制定实施计划安排表单设计思路框架图解说明文档撰写工作进度跟踪记录日志文件保存备份恢复机制建设维护更新迭代版本控制管理规范标准指南手册教程培训课程讲授教学视频录制分享传播推广宣传广告营销策划方案规划蓝图构想构思创意创新变革转型发展目标愿景使命宣言承诺责任担当奉献精神团队协作配合默契沟通交流互动反馈意见收集整理分析总结归纳提炼升华提高效率质量水平层次境界高度宽度广度深度厚度密度浓度纯度精度准度确度可靠性稳定性持续性连续性连贯性一致性协调统一谐平衡公正公平公开透明诚信可靠值得信赖可依赖信任尊重包容接纳欣赏赞美鼓励激励鼓舞士气斗志昂扬奋发向上积极乐观开朗豁达大度宽容仁慈善良友好热情温暖关怀体贴入微细致周全全面全方位多角度多层次立体化综合考量权衡利弊得失取舍抉择决定判断推理逻辑思维能力提升增强强化巩固加强加深加厚加密加大增加扩充扩展延展延伸拓展开拓进取探索求知欲望好奇心驱动力原动力源泉活水源头清泉甘露滋润灌溉滋养哺育养育抚养赡养孝敬尊敬爱戴崇拜仰慕羡慕嫉妒恨怨愤怒生气烦恼忧愁悲伤痛苦快乐幸福满足感成就感荣誉感自豪感归属感安全感稳定感踏实感舒适感愉悦感享受感体验感受体会感悟领会领悟明白清楚清晰明了简洁简单易懂好记难忘深刻印象记忆犹新历久弥新经久不衰永垂不朽流芳百世万古千秋世代相传继承发扬光大弘扬传承延续不断生生息息相息相连相关联关联联系联络交往交情友情亲情爱情浪漫情怀理想追求目标方向指引导航灯塔照亮前行道路引领走向成功辉煌成就伟大事业梦想成真愿望达成目的达到终点完成结束圆满结局完美落幕谢幕再见👋😊❤️🎉👏🌟✨💫💥🔥💧💨🎵🎶🎧🎤🎥🎬🎨🎭🎮🎯🎰🎲♠️♣️♥️♦️🏆🏅👑💎💍🎁🎂🎈🎊flower🌸🌹🌺🌻🌼🌷🌱🌲🌳🌴bamboo🎍🌾🌿🍃🍂🍁🍄🌵🎄💐💝💌📦📧📰📱💻🖥🖨⌨🖱🌐🌍🌏🗺📍📌📎🔗🔒🔑💡🔦🔍🔎🔬🔭📡🚀✈🚗 Motorcycle🏍🚲🚂🚝tram🚊ride🛺taxi🚖carriage
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