/**/

分类算法 - 逻辑回归

首页 / 机器学习入门教程 / 分类算法 - 逻辑回归

逻辑回归是一种监督学习分类算法,用于预测目标变量的概率,目标或因变量的性质是二分法,这意味着将只有两种可能的类。

简而言之,因变量本质上是二进制的,其数据编码为1(代表成功/是)或0(代表失败/否)。

在数学上,逻辑回归模型预测P(Y=1)作为X的函数。它是最简单的ML算法之一,可用于各种分类问题,例如垃圾邮件检测,糖尿病预测,癌症检测等。

链接:https://www.learnfk.comhttps://www.learnfk.com/python-machine-learning/machine-learning-with-python-classification-algorithms-logistic-regression.html

来源:LearnFk无涯教程网

逻辑回归类型

通常,逻辑回归是指具有二进制目标变量的二进制逻辑回归,但是可以通过它预测两类以上的目标变量,基于这些类别,Logistic逻辑回归可以分为以下几种类型:

无涯教程网

二进制或二项式

在这种类型的分类中,因变量将只有1和0这两种可能的类型,例如,这些变量可以表示成功或失败,是或否,赢或输等。

多项式

在这种分类中,因变量可以具有3种或更多可能的 无序 类型或无定量意义的类型。例如,这些变量可以表示"类型A"或"类型B"或"类型C"。

序数词

在这种分类中,因变量可以具有3种或更多可能的 有序 类型或具有定量意义的类型。例如,这些变量可以表示"差"或"好","非常好","优秀",并且每个类别的分数都可以为0、1、2、3。

逻辑回归假设

在深入研究逻辑回归的实现之前,无涯教程必须了解以下关于相同的假设-

  • 对于二进制逻辑回归,目标变量必须始终为二进制,并且期望输出由因子级别1表示。

  • 模型中不应存在任何多重共线性,这意味着自变量必须彼此独立。

  • 必须在模型中包括有意义的变量。

  • 应该选择较大的样本量进行逻辑回归。

逻辑回归模型

  • Binary Logistic 模型            - Logistic逻辑回归的最简单形式是二进制或二项式Logistic回归,其中目标或因变量只能具有2种可能的类型,即1或0。

  • Multinomial Logistic 模型 - Logistic逻辑回归的另一种有用形式是多项式Lo​​gistic回归,其中目标或因变量可以具有3种或更多种可能的无序类型,即没有定量意义的类型。

这一章《分类算法 - 逻辑回归》你学到了什么?在下面做个笔记吧!做站不易,你的分享是对我们最大的支持,感谢!😊

好记忆不如烂笔头。留下你的足迹吧 :)

猜你喜欢

Linux性能优化实战 -〔倪朋飞〕

TypeScript开发实战 -〔梁宵〕

系统性能调优必知必会 -〔陶辉〕

容器实战高手课 -〔李程远〕

在 Python 中使用 Streamlit 的待办事项应用程序可能存在什么问题?

如何根据不同数据框中多列的值在数据框中创建新列?

用不同数量的变量填充向量

如何在 Python 中表达通用对象的扩展子类型?

Python:分组并计算数据框中一列中连续重复值的数量

如何在 Python 中压缩包含空行的数据集?

视频教程

Python机器学习 - 02-线性模型 更多视频教程 »