逻辑回归总结
来源:互联网 发布:淘宝营销活动 编辑:程序博客网 时间:2024/06/02 02:00
逻辑回归
对于线性边界的情况,边界的形式如下
构造预测函数为
函数
定义
定义 (Logistic模型)二项逻辑回归模型是如下的条件概率分布:
对于给定的输入实例
特点
LR模型的特点:
如果时间发生的概率是
对于LR而言,对数几率是
也就是说,输出
换一个角度, 考虑对输入
这时,线性函数的值越接近正无穷,概率值就越接近1;线性函数的值越接近负无穷,概率值就越接近0.
模型参数估计
应用极大似然法估计模型参数
似然函数为:
对数似然函数为:
对
其实可以用梯度下降法求解。将
正则化
过拟合问题
对于线性回归或逻辑回归的损失函数构成的模型,可能会有些权重很大,有些权重很小,导致过拟合(就是过分拟合了训练数据),使得模型的复杂度提高,泛化能力较差(对未知数据的预测能力)。
问题的主因
过拟合问题往往源自过多的特征。
解决方法
1)减少特征数量
- 可用人工选择要保留的特征;
- 模型选择算法
2)正则化(特征较多的时候有效)
- 保留所有特征,但减少
多项逻辑回归
假设离散型随机变量Y的取值集合是
优缺点
优点:
- 实现简单
- 存储量低
- 分类计算量小
- 速度快
缺点:
- 容易欠拟合
- 准确率不高
- 逻辑回归学习总结
- Logistic逻辑回归总结
- 逻辑回归总结
- 逻辑回归总结
- 逻辑回归总结
- 线性回归和逻辑回归总结
- 逻辑斯谛回归总结
- LR逻辑回归学习总结
- 逻辑回归及美团逻辑回归总结
- 逻辑回归的深入理解总结
- 逻辑回归及相关问题的总结
- 逻辑斯谛回归学习总结
- 机器学习总结(二):逻辑回归
- 线性回归、逻辑回归等问题对比分析总结
- 机器学习算法总结--线性回归和逻辑回归
- 机器学习算法总结--线性回归和逻辑回归
- 逻辑回归
- 逻辑回归
- Redux笔记
- 计算机网络--http协议的长链接与短连接
- 19. Spring Boot 添加JSP支持【从零开始学Spring Boot】
- 稀疏编码系列4:稀疏模型与结构性稀疏模型
- mybatis类包含类的问题
- 逻辑回归总结
- 王爽 《汇编语言》 读书笔记 六 包含多个段的程序
- hdu4292网络流建图
- 【数据结构和算法】Day 9
- 最少步数
- 二叉树翻转
- Android studio 导入工程无法安装
- HTTP协议:缓存
- mac上实现切换python版本