如何最简单、通俗地理解逻辑回归算法？

探索逻辑回归：简单易懂的算法之旅

在数据科学的海洋中，预测就像灯塔，指引我们寻找规则。
其中，逻辑回归——这个看似简单的二类算法，却是机器学习领域的关键关键。
它起源于线性回归的扩展，但不再处理连续值，而是离散的分类信息。
下面，我们就一起来了解一下这个伟大算法的逻辑。

回到分类桥

逻辑回归：返回和逻辑。
回顾线性回归，我们试图通过线性关系来捕捉数据背后的联系。
然而，面对非连续的类别变量，比如“大”和“小”、“黑”和“白”，我们需要将这种非线性问题转化为概率问题。
因此，我们引入概率的概念，将线性回归的输出值映射到概率范围。
例如，通过Sigmoid函数，将线性值映射到(0,1)之间，即逻辑返回的起点。

逻辑魅力：映射函数的选择

常见的映射函数有几种可供选择，比如Sigmoid函数（公式1），反正就是cut函数（公式2）， 和对偶曲正割函数（公式3），它们将不同的输入范围映射到适当的概率范围。
在实际应用中，由于梯度计算简单，逻辑函数往往是首选。
但该功能的最佳效果还需要进一步评估。

理想模型的构建

4.1 概率预测的构建

通过映射函数，实现自变量到类别概率的转换。
以第二类为例，当输入大于某个阈值时，我们预测为类别1，反之亦然，预测的概率表达式为：p（类别1）和p（类别0）。
这为我们提供了预测性决策依据。

4.2 损失函数的转换

线性回归的最小二乘不再适用。
我们需要找到一个可以衡量分类模型拟合度的损失函数。
交叉熵损失函数（公式8）从肩部出现。
它鼓励模型准确预测每个样本的类别，并通过最小损失找到最优参数。

交叉熵的解释可以从信息论的角度来理解，也可以从似然函数的角度来理解。
对于多分类问题，逻辑回归通过OneVSONE和Onevsrest方法扩展了多类别预测问题。

扩展应用及结论

逻辑回归虽然简单，但背后的理论却很深奥。
它不仅是线性回归的扩展，而且还定期处理拟合问题。
对于数据科学爱好者来说，逻辑回归是入门和深入学习的绝佳起点。
继续探索数据科学的旅程，你会发现算法的更多奥秘。

线性回归和逻辑回归有什么区别吗？

线性回归和逻辑回归之间的差异：各种属性和各种应用。

1。
各种本质。

1。
逻辑回归：这是一个广泛的线性回归分析模型。

2。
线性回归：在数学数据中使用回归分析来确定统计分析方法，该方法取决于两个或多个变量之间的定量关系。

2。
各种应用。

1。
逻辑回归：通常使用数据挖掘，自动诊断疾病，经济预测和其他领域。

2。
线性回归：经常用于数学，金融，趋势线，经济学和其他领域。

对于线性回归是必要的，变量必须是恒定数据变量。
目前，连续数据变量将用于线性返回。

线性回归特征：

对线性回归关系之间的关系有回归分析。
它的表达是y = w'x+e，E是一个通用分布，对0的错误服从。
回归分析中有许多自变量：这是一个理论问题。
因此，SPSS等于线性回归中的分析分析。
在

返回分析中，只有一个自变量和一个原因变量，并且两者之间的关系可以在直线上表达，该回归分析称为-ornamental Remissional Remission Enalysis。
如果回归分析包括两个或多个自变量，并且由于变量和自变量之间的线性关系，则称为多线区域分析。

逻辑回归的优点是什么

自动学习中有三个主要问题：回归，分类和聚类。
线性回归是一个回归问题，而后勤回归是分类问题。
因此，今天我们了解后勤回归的优势。
1。
结构是简单而可以通过功能的重量来解释的，我们可以看到不同特征对最终结果的影响。
2 3。
输出结果易于调整。
结果都是所有概率值，并且可以轻松调整阈值以获得分类。
4。
效果是好的，直到功能的设计良好，效果不会那么负面。