《机器学习实战》第五章Logistic回归学习笔记.pdf
需积分: 29 19 浏览量
2022-08-09
11:52:01
上传
评论
收藏 1.05MB PDF 举报
回归：用一条直线对一些数据点进行拟合，该线称为最佳拟合直线。
Logistic回归主要思想：根据现有数据对分类边界线建立回归公式，回归线左右两侧标签值不同。
5.1基于Logistic回归和Sigmoid函数的分类
Sigmoid函数在跳跃点上从0瞬间跳跃到1，这个瞬间跳跃过程更易处理。
Logistic回归的一般过程
(1)收集数据:采用任意方法收集数据。
(2)准备数据:由于需要进行距离计算，因此要求数据类型为数值型。另外，结构化数据
格式则最佳。
(3)分析数据:采用任意方法对数据进行分析。
(4)训练算法:大部分时间将用于训练，训练的目的是为了找到最佳的分类回归系数。
(5)测试算法:一旦训练步骤完成，分类将会很快。
(6)使用算法:首先，我们需要输入一些数据，并将其转换成对应的结构化数值；接着，基于训练好的回归系数
就可以对这些数值进行简单的回归计算，判定它们属于哪个类别;在这之后，我们就可以在输出的类别上做一
些其他分析工作。
Logistic回归
优点:计算代价不高，易于理解和实现。
缺点:容易欠拟合，分类精度可能不高。
适用数据类型:数值型和标称型数据。
资源评论
