机器学习模型—逻辑回归

逻辑回归是一种用于分类任务的监督机器学习算法，其目标是预测实例属于给定类别的概率。逻辑回归是一种分析两个数据因素之间关系的统计算法。本文探讨了逻辑回归的基础知识、类型和实现。

什么是逻辑回归

逻辑回归用于二元分类，其中我们使用sigmoid 函数，它将输入作为自变量并产生 0 到 1 之间的概率值。

例如，我们有两个类 0 类和 1 类，如果输入的逻辑函数值大于 0.5（阈值），那么它属于 1 类，它属于 0 类。它被称为回归，因为它是线性回归的扩展，但主要用于分类问题。

关键点：

• 逻辑回归预测分类因变量的输出。因此，结果必须是分类值或离散值。
• 它可以是“是”或“否”、0 或 1、真或假等，但它不是给出 0 和 1 等精确值，而是给出介于 0 和 1 之间的概率值。
• 在逻辑回归中，我们不拟合回归线，而是拟合“S”形逻辑函数，该函数预测两个最大值（0 或 1）。

Logistic 函数 – Sigmoid

• sigmoid 函数是用于将预测值映射到概率的数学函数。
• 它将任何实值映射为0到1范围内的另一个值。逻辑回归的值必须在0到1之间，不能超出这个限制，因此形成了类似“S”形式的曲线。
• S形曲线称为Sigmoid函数或逻辑函数。
• 在逻辑回归中，我们使用阈值的概念，它定义0或1的概率。例如高于阈值的值趋于1，低于阈值的值趋于0。