LR模型

本文深入探讨了逻辑斯蒂回归模型,这是一种用于分类任务的统计学方法,通过使用逻辑斯谛分布来表示条件概率分布P(Y|X)。文章详细解释了模型参数估计的过程,即如何通过极大似然估计法来确定模型参数w,从而得到完整的模型表达。同时,文中提到了求解对数似然函数的重要性,以及为何选择对数几率来简化后续的求解过程。

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

(1)逻辑斯回归模型
是一种分类模型,有条件概率分布P(Y|X)表示,形式为参数化的逻辑斯谛分布
二项逻辑斯条件概率分布如下(2类分类问题):
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
此处为何使用p/(1-p)及对数几率表示,我在(2)参数估计有所解答(个人见解,请自行借鉴和思考)
在这里插入图片描述
最后得出概率模型,这样的模型就是逻辑斯蒂回归模型。
(2)(模型参数(w)估计)以上将对数几率转化为x的线性函数表示,由此需要估计w才能得到完整模型表达
逻辑斯蒂回归模型学习时,对于给定训练数据,可以应用(极大似然估计法)估计模型参数。
在这里插入图片描述
由此将问题转变为以对数似然函数为目标函数的最优化问题。之后通常采用梯度下降法及拟牛顿法做优化,最终得到w,以及学到的模型:
在这里插入图片描述
由以上对似然函数的求解过程中,我们将w点x替换了原先复杂的log对数以简化求导过程。因此求解线性的w点x的同时也就求得了log对数几率,最终求得P(Y=1|X)而得到模型。所以说取对数几率简化了之后的求解过程。
求似然函数取对数也是为了简化计算过程,最终就是(从求似然函数传导到了求对数几率)。
总而言之为什么有log,这与求似然函数的过程有很大关系!

参考:
李航《统计学方法》

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