本文介绍了逻辑回归的基本原理，它适用于二分类问题，通过sigmoid函数将预测值转换为[0,1]区间。逻辑回归的优点包括速度快、简单易懂和可更新模型，但对数据适应性有限。文章探讨了为何使用最大似然估计而非最小二乘法，并解释了正则化的作用，如L1和L2正则化，以及它们如何防止过拟合。L1正则化对应Lasso回归，L2正则化对应Ridge回归。"
116033411,10906306,C. Baby Ehab Partitions 再议,"['算法', '数学', '序列操作', '背包问题']
原理:
逻辑回归处理的是分类问题，具体来说，是处理二分类问题。为了实现逻辑回归分类器，我们可以在线性回归的基础上。添加一个sigmoid函数，进而得到一个范围在0~1之间的数值。任何大于0.5的数据会被分为1类，小于0.5即被分为0类。至于为什么会用到sigmoid函数，简单来说，是为了将标签归类为[0,1]的范围内；深层原因，sigmoid函数的使用是由指数分布族决定的。
预测值为：
最低0.47元/天 解锁文章
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
