逻辑回归介绍
1. 逻辑回归的应用场景
逻辑回归（Logistic Regression）是机器学习中的 一种分类模型 ，逻辑回归是一种分类算法，虽然名字中带有回归。由于算法的简单和高效，在实际中应用非常广泛
- 广告点击率
- 是否为垃圾邮件
- 是否患病
- 信用卡账单是否会违约
逻辑回归就是解决二分类问题的利器
2. 逻辑回归的原理
要想掌握逻辑回归，必须掌握两点：
-
逻辑回归中，其输入值是什么
-
如何判断逻辑回归的输出
2.1 输入
逻辑回归的输入就是一个线性方程
h ( w ) = w 1 x 1 + w 2 x 2 + w 3 x 3 + , ⋯ , + b \large h(w)=w_1x_1+w_2x_2+w_3x_3+,\cdots,+b h(w)=w1x1+w2x2+w3x3+,⋯,+b
2.2 激活函数
sigmoid
Sigmod函数，也称之为逻辑斯特函数
假设一事件发生的概率为P，则不发生的概率为1-P，我们把发生概率/不发生概率称之为发生的概率比，数学公式表示为：
更进一步我们定义logit函数，它是概率比的对数函数（log-odds）
Logit函数的输入值范围介于[0,1]之间，它能将输入转换到整个实数范围内。
对logit函数求反函数，我们将logit的反函数叫做logistic函数：
即sigmoid函数文章来源：https://www.toymoban.com/news/detail-602862.html
g ( w T , x ) = 1 1 + e − h ( w ) = 1 1 + e − w T x g(w^T, x)=\frac{1}{1+e^{-h(w)}}=\frac{1}{1+e^{-w^Tx}} g(wT,x)=1+e−h(w)1=1+e−wTx1
绘制[-7，7]的sigmod函数图像文章来源地址https://www.toymoban.com/news/detail-602862.html
import matplotlib.pyplot as plt
import numpy as np
def sigmod(z):
return 1.0/(1.0+np.exp(-z))
z=np.arange(-7,7,0.1)
phi_z=sigmod(z)
plt.plot(z,phi_z)
plt.axvline(0.0,color='k')
plt.axhspan(0.0,1.0,facecolor=到了这里，关于逻辑回归概述的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
