本文详细介绍了逻辑回归与线性回归的区别，包括它们在分类与回归任务中的应用、输出特点、参数估计方法。逻辑回归是一种广泛应用的分类算法，通过使用对数似然函数和交叉熵损失函数解决了线性回归在分类问题上的不足。文章还讨论了逻辑回归的正则化、模型评估指标、优缺点，以及如何处理样本不均衡问题，并提到了在实践中使用sklearn库进行逻辑回归时的相关参数设置。
- 逻辑回归与线性回归的联系与区别
逻辑回归与线性回归都属于广义线性回归模型,其区别与联系从以下几个方面比较：
分类与回归:回归模型就是预测一个连续变量(如降水量，价格等)。在分类问题中，预测属于某类的概率，可以看成回归问题。这可以说是使用回归算法的分类方法。
输出:直接使用线性回归的输出作为概率是有问题的，因为其值有可能小于0或者大于1,这是不符合实际情况的，逻辑回归的输出正是[0,1]区间。见下图，
参数估计方法：
线性回归中使用的是最小化平方误差损失函数，对偏离真实值越远的数据惩罚越严重。这样做会有什么问题呢？假如使用线性回归对{0,1}二分类问题做预测，则一个真值为1的样本，其预测值为50，那么将会对其产生很大的惩罚，这也和实际情况不符合，更大的预测值说明为1的可能性越大，而不应该惩罚的越严重。
逻辑回归使用对数似然函数进行参数估计，使用交叉熵作为损失函数，对预测错误的惩罚是随着输出的增大，逐渐逼近一个常数，这就不存在上述问题了1也正是因为使用的参数估计的方法不同，线性回归模型更容易受到异常值(outlier)的影响，有可能需要不断变换阈值(threshold),线性回归分类的情况见下面两图:
最低0.47元/天 解锁文章
扫一扫
422
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
