6.逻辑回归

Posted 2021-02-22 du162

1.用自己的话描述一下，什么是逻辑回归，与线性回归对比，有什么不同？

逻辑回归：通过一组预测器变量，可以很有效的预测特征与输出结果。

这与线性回归很相似，但更适用于二分类问题。

方程系数可以用来估计模型中的自变量的比率，这适用于更广泛的问题模型，另一方面，可以将逻辑回归用于确定某个事件的可能性，输出值为0或1。 

在逻辑回归中不仅可以解决二分类问题，也可以求解多分类问题，只不过它常被用来做二分类。

线性回归：通过估计线性方程中的系数，包括一个或多个独立变量，进而给出最佳的预测结果。

例如，可以通过年龄、教育背景、工作年份等特征预测销售员全年的销售情况。

线性回归求解的是连续问题，而逻辑回归求解的是离散问题

2.自述一下什么是过拟合和欠拟合？

过拟合是在统计模型中，由于使用的参数过多而导致模型对观测数据（训练数据）过度拟合，

以至于用该模型来预测其他测试样本输出的时候与实际输出或者期望值相差很大的现象。

欠拟合则刚好相反，是由于统计模型使用的参数过少，以至于得到的模型难以拟合观测数据（训练数据）的现象。

3.思考一下逻辑回归的应用场景有哪些？

用于分类场景， 尤其是因变量是二分类（0/1，True/False，Yes/No）时我们应该使用逻辑回归。

1.贷款违约情况：在金融风控领域，我们经常会通过这种模型来判断一个人的信用状况，例如这个人年纪比较小，或者之前有逾期的历史，或者工资没有达到一定的标准的时候，我们可以选择去拒贷，因为我们的模型会判断出来，这个人有可能会违约的，或者在将来会有很大概率违约的情况。

2.广告点击率问题：很多互联网公司想赚钱是要靠广告的，包括百度谷歌它们的大部分收入其实都来源于广告，当我们在百度上搜索一些关键词的时候，我们可以看到右边可能会出现一些广告，这些广告其实是需要分析用户的一些行为的，我要做一个精准的广告投放，这样广告的浏览率或者浏览的概率会增加。

3.商品推荐：在商品推荐上虽然我们大部分会采用矩阵分解或者协同过滤的算法，但是逻辑回归我们也可以把它用在商品推荐上。

参考链接：https://mp.weixin.qq.com/s?src=11&timestamp=1587780276&ver=2299&signature=jtKcQGyZBGrzSqy6Lxpj4W1PbX6TmheDaqQbs2ew9U0cRf4VTjWhQbSmAhIIwm*sI*CZ9e*LYddiAP3hRb563Fwc3rMpbmwByz2T77JDXxvOoa7hRrjTCpATyH40SnrH&new=1