逻辑回归总结
来源:互联网 发布:windows thin pc安装 编辑:程序博客网 时间:2024/06/07 01:12
1.逻辑回归是什么?
逻辑回归是一种分类算法。
逻辑?回归?
是在回归结果(回归结果是连续的)上,引入逻辑函数sigmoid将回归结果进行转换,最终变成分类结果【0,1】
sigmoid函数:
举个例子:一次语文考试(总分150),老师根据学生的阅读理解(X),写作能力(Y),古诗词欣赏(Z)给出成绩, Score= aX+bY+cZ.
为了更方便排名,老师将150成绩转换成0-100的成绩,然后在通过以往的经验值>60的为及格,<60的为不及格。
老师根据学生考试给出成绩是-》回归,将0-150转成0-100的过程是类似逻辑函数处理过程,最终根据阈值(60分)来将学生成绩来分类。
- 特征处理
- 建模
- 损失函数
损失函数是用来估量模拟的预测值f(x)和真实值(Y)的不一致程度。损失函数越小,模型的鲁棒性就越好。
4.1 平方损失函数
线性回归中用的是平方损失函数
4.2 对数损失函数
L(Y,P(Y|X))=−logP(Y|X)
为什么用对数损失函数来做逻辑回归的损失函数?(对数损失函数是凸函数,有极值)
http://blog.csdn.net/hk121/article/details/71457866
http://blog.csdn.net/wjlucc/article/details/71095206
逻辑回归样本服从0-1分布
将损失函数代入上面分布函数中得到:
损失越小,表明模型拟合的越好。基于上面损失函数,求最小值。
4.3 损失函数求解->梯度下降
什么是梯度下降?
梯度下降算法是调整参数θ使得代价函数J(θ)取得最小值的最基本方法之一。从直观上理解,就是我们在碗状结构的凸函数上取一个初始值,然后挪动这个值一步步靠近最低点的过程,如下图所示:
求损失函数的最小值。
L(Y,P(Y|X))=−logP(Y|X)L(Y,P(Y|X))=−logP(Y|X)L(Y,P(Y|X))=−logP(Y|X) - 消除过拟合1) 控制特征的数目,可以通过特征组合,或者模型选择算法2)Regularization,保持所有特征,但是减小每个特征的参数向量θ的大小,使其对分类y所做的共享很小
正则化,L1和L2L1:产生稀疏矩阵,将很多特征去掉。因此具备选择特征功能
L2:减低特征向量的大小. - 验证结果
ROC
AUC
召回率
准确率
混淆矩阵
线性回归?
求出输出特征向量Y和输入样本矩阵X之间的线性关系系数 -> y=ax+b
线性回归损失函数为什么要用平方形式?
复合函数
阅读全文
0 0
- 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
- Java并发专题 带返回结果的批量任务执行 CompletionService ExecutorService.invokeAll
- 天天学Linux命令56--watch命令
- DaVinci Resolve 14 Studio(视频剪辑工具套装)官方中文破解版V14.2.0下载 | DaVinci Resolve百度云
- 如何使用GitHub
- 基于kaldi的在线语音识别
- 逻辑回归总结
- 5 系统目录结构 ls 文件类型 alias
- Spark编程模型介绍
- Python 读写文件
- Xpath,SAX解析和tomcat的配置
- 采购订单各表作用分析 (转)
- jsp异步
- Android内存泄露自动检测神器LeakCanary
- 育英好课堂数据库层面重现