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。