风险风控-逻辑回归理论基础

这篇具有很好参考价值的文章主要介绍了风险风控-逻辑回归理论基础。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

逻辑回归一般都应用于传统的建模方案,因其模型含义易解释,容易推广上线而得到大家的青睐

逻辑回归于广义线性模型:

逻辑回归是广义线性模型(Generalized Linear Models,GLM)的一种特殊形式。广义线性模型是线性回归模型的推广,它不强行改变数据的自然度量,允许数据具有非线性和非恒定方差结构。具体来说,GLM建立了响应变量的数学期望值与线性组合的预测变量之间的关系,通过链接函数将这两者联系起来。

逻辑回归的核心是使用对数几率函数(logit function)作为链接函数,将特征和目标变量之间的关系建模为概率。这使得逻辑回归不仅可以处理二分类问题,还能够处理多分类问题。在求解逻辑回归模型参数时,常用的方法是极大似然估计,该方法通过最大化似然函数来估计模型参数,使得模型对训练数据的预测尽可能接近实际观察到的结果。

逻辑回归Y变量取值和预测概率P取值范围:

在逻辑回归模型中,Y变量是二分类变量,其取值为0或1。这种取值方式常用于代表两种类别,例如在预测模型中,y=1可能表示某种情况的存在(如阳性、发病、有效等),而y=0则表示这种情况的不存在(如阴性、未发病、无效等)。

逻辑回归中的log-odds ratio公式是:风险风控-逻辑回归理论基础,风控建模,逻辑回归,算法,机器学习,其中p是事件发生的概率,x是特征的线性函数。log-odds ratio是指事件发生的概率与不发生的概率之比的自然对数。这个公式可以用于计算逻辑回归模型中每个特征的系数 。

在逻辑回归模型中,链接函数起到了将线性回归的输出转化到[0,1]区间的作用,对数几率函数(logit function)就是这样一个链接函数。逻辑回归的预测结果是一个概率值,这个概率值是通过逻辑斯蒂函数(logistic function)计算得到的。

风险风控-逻辑回归理论基础,风控建模,逻辑回归,算法,机器学习

最大似然估计MLE:

在逻辑回归中,最大似然估计是一种优化策略,其目标是寻找一组参数,可以最大化观察到的数据出现的概率。具体来说,这意味着我们希望找到一组参数,使得在给定这组参数的情况下,我们所预测的样本出现的概率是最高的。

为了更形象地理解这个过程,我们可以想象一个场景:你有一堆广告投入和销售量的数据,你想通过这些数据来预测广告投入和销售量之间的关系。在这个过程中,最大似然估计就相当于你用这些数据作为工具,去“尽可能地找出”广告投入和销售量之间的最佳关系,也就是求得一组最佳的参数。

逻辑回归主要应用于解决分类问题,例如判断一个客户是否会购买某个商品,或者一个借款人是否会违约。在这个过程中,我们得到的计算结果通常是0-1之间的连续数字,这些数字代表了事件发生的可能性或概率。而逻辑回归的目标就是通过寻找一组最佳的参数,使我们预测的可能性尽可能接近真实情况。

在使用逻辑回归构建评分模型时,需要满足以下假设条件:

1. 因变量必须为分类变量,并且至少有一个自变量。这些自变量可以是连续的或者是分类的。

2. 数据服从伯努利分布,也就是说,样本的结果只有两种可能,例如0和1,正例和负例。同时,这两种概率的和为1。

3. 模型的输出是样本为正例的概率。这意味着我们需要将线性回归的输出通过sigmoid函数转换为概率值。

4. 观测不到的混杂因素是恒定的,这被称为平行线检验假设。也就是说,我们假设在给定X的条件下,Y的期望不会随着时间改变。

5. 误差项必须符合独立同分布,这意味着每一个误差项都与其他误差项无关,且都服从同一分布。

6. 没有多重共线性问题,也就是自变量之间不存在高度相关性。如果存在高度相关性,那么这可能会导致模型过拟合。文章来源地址https://www.toymoban.com/news/detail-745878.html

到了这里,关于风险风控-逻辑回归理论基础的文章就介绍完了。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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 机器学习之回归算法-逻辑回归

    1.1、概念 是一种名为“回归”的线性分类器,是由线性回归变化而来的,一种广泛使用于分类问题中的广义回归算法。 1.2、按预测标签的数据类型分 连续型变量: 通过线性回归方程z,线性回归使用输入的特征矩阵X来输出一组连续型的标签值y_pred,以完成各种预测连续型变

    2024年02月04日
    浏览(34)
  • 基于【逻辑回归】的评分卡模型金融借贷风控项目实战

    背景知识:         在银行借贷过程中,评分卡是一种以分数形式来衡量一个客户的信用风险大小的手段。今天我们来复现一个评分A卡的模型。完整的模型开发所需流程包括:获取数据,数据清洗和特征工程,模型开发,模型检验和评估,模型上线,模型检测和报告。 我们

    2024年02月06日
    浏览(43)
  • 【机器学习】十大算法之一 “逻辑回归”

      作者主页: 爱笑的男孩。的博客_CSDN博客-深度学习,活动,python领域博主 爱笑的男孩。擅长深度学习,活动,python,等方面的知识,爱笑的男孩。关注算法,python,计算机视觉,图像处理,深度学习,pytorch,神经网络,opencv领域. https://blog.csdn.net/Code_and516?type=blog 个人简介:打工人。 持续分

    2024年02月10日
    浏览(40)
  • 机器学习算法之-逻辑回归(2)

            特征与标签之间的线性关系极强的数据,比如金融领域中的 信用卡欺诈,评分卡制作,电商中的营销预测等等相关的数据,都是逻辑回归的强项。虽然现在有了梯度提升树GDBT,比逻辑回归效果更好,也被许多数据咨询公司启用,但逻辑回归在金融领域,尤其是银行

    2024年02月12日
    浏览(49)
  • 机器学习算法之-逻辑回归(1)

            回归树,随机森林的回归,无一例外他们都是区别于分类算法们,用来处理和预测连续型标签的算法。然而逻辑回归,是一种名为“ 回归”的线性分类器,其本质是由线性回归变化而来的,一种广泛使用于分类问题中的广义回归算法。要理解逻辑回归从何而来,

    2024年02月12日
    浏览(44)
  • 机器学习算法:线性回归、逻辑回归、决策树和随机森林解析

    引言 机器学习算法是人工智能领域的核心,它们用于解决各种问题,从预测房价到图像分类。本博客将深入探讨四种常见的机器学习算法:线性回归、逻辑回归、决策树和随机森林。 线性回归 什么是线性回归? 线性回归是一种用于建立连续数值输出的机器学习模型的算法。

    2024年02月10日
    浏览(53)
  • 机器学习算法(一): 基于逻辑回归的分类预测

    逻辑回归的介绍 逻辑回归(Logistic regression,简称LR)虽然其中带有\\\"回归\\\"两个字,但逻辑回归其实是一个 分类 模型,并且广泛应用于各个领域之中。虽然现在深度学习相对于这些传统方法更为火热,但实则这些传统方法由于其独特的优势依然广泛应用于各个领域中。 而对于

    2024年01月15日
    浏览(49)
  • 机器学习:逻辑回归模型算法原理(附案例实战)

    作者:i阿极 作者简介:Python领域新星作者、多项比赛获奖者:博主个人首页 😊😊😊如果觉得文章不错或能帮助到你学习,可以点赞👍收藏📁评论📒+关注哦!👍👍👍 📜📜📜如果有小伙伴需要数据集和学习交流,文章下方有交流学习区!一起学习进步!💪 订阅专栏案

    2024年01月20日
    浏览(48)
  • 【AI底层逻辑】——篇章5(上):机器学习算法之回归&分类

    目录 引入 一、何为机器学习 1、定规则和学规则 2、算法的定义

    2024年02月16日
    浏览(56)
  • 机器学习:基于梯度下降算法的逻辑回归实现和原理解析

    当涉及到二元分类问题时,逻辑回归是一种常用的机器学习算法。它不仅简单而且有效,通常是入门机器学习领域的第一步。本文将介绍逻辑回归的基本概念、原理、应用场景和代码示例。 逻辑回归是一种用于解决二元分类问题的统计学习方法。尽管其名称中包含\\\"回归\\\"一词

    2024年02月09日
    浏览(53)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包