6、机器学习分类模型详解

机器学习分类模型详解

1. 分类模型概述

在机器学习中，回归模型用于预测数值结果，例如根据行程距离、星期几和一天中的时间来预测出租车费用，在工业中广泛用于预测销售、价格、需求等驱动商业决策的数字。而分类模型同样重要，它用于预测分类结果，比如信用卡交易是否欺诈，或者手写字符代表的是哪个字母。

分类模型主要分为以下几类：
- 二元分类模型 ：只有两种可能的结果。
- 多类分类模型 ：有两种以上可能的结果。
在这两种情况下，模型都会为输入分配一个单一的类别或类标签。不太常见的是多标签分类模型，它可以将单个输入分类为属于多个类别，例如预测一份文档既是关于机器学习的论文，也是关于基因组学的论文，有些还能预测输入不属于任何可能的类别。

回归模型的许多知识也适用于分类模型，例如，许多驱动回归模型的学习算法在分类模型中同样有效。但回归和分类的一个实质性区别在于如何衡量模型的准确性，分类模型没有 R 分数，取而代之的是大量的衡量指标，如精度、召回率、特异性、灵敏度和 F1 分数等。熟练掌握分类模型的关键之一是熟悉各种准确性指标，更重要的是，根据模型的预期应用理解应该使用哪一个（或哪些）指标。

2. 逻辑回归

2.1 逻辑回归算法原理

逻辑回归是一种流行的分类算法，它分析数据的分布并拟合一个方程，该方程定义了给定样本属于两个可能类别中每一个的概率。例如，它可能确定一个样本中的值对应类别 0 的概率为 10%，对应类别 1 的概率为 90%，在这种情况下，逻辑回归将预测该样本对应类别 1。尽管名称中包含“回归”，但逻辑回归是一种分