weixin_72931638的博客

在上述二分类的基础上我们只需要数据处理时直接将整个数据划分成特征数据和结果数据，而不需要在根据分类的结果拆分，模型会自己进行三分类训练。但在分类问题中，我们需要的是离散的类别（如 0 或 1），或者某个事件发生的概率（0 到 1 之间）。逻辑回归是一种用于解决二分类（0/1）问题的统计学习方法，它通过对数据的建模来预测某个事件发生的概率。由于我们要做的二分类，所以我们要先将txt文件中分类结果为1，2，3的数据单独分开。因此，我们需要一个函数来将线性回归的输出转换为概率值，这个函数就是。

数据量为143兆，包含28万4808条真实银行贷款数据，每条数据代表一个用户。0可贷款，1不可贷款数据脱敏处理的原因：防止黑客攻击泄露敏感信息（如年收入、婚姻状况等），脱敏后数据通过算法压缩为不易解读的形式（如V1-V28的值在-1到1之间）混淆矩阵：将预测结果与真实值分类为四类：TP（True Positive）：真实为1，预测为1。FP（False Positive）：真实为0，预测为1。FN（False Negative）：真实为1，预测为0。

逻辑回归的核心是通过 sigmoid 函数将线性输出（(z = w^Tx + b)）转化为样本属于正例的概率： (P(y=1|x) = 1/(1 + e^{-z}})其中，(P(y=1|x)) 表示样本x属于正例的概率。阈值是一个人为设定的临界值（记为t若(P(y=1|x) >= t)，则预测为正例（(y=1)）；若(P(y=1|x) < t)，则预测为负例（(y=0)）。