6.逻辑归回

Posted hs01

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了6.逻辑归回相关的知识,希望对你有一定的参考价值。

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?

答:逻辑回归又称logistic回归分析,它将数据拟合到一个logit函数或者是logistic函数中,从而能够完成对事件发生的概

  行预测,常用于数据挖掘,疾病自动诊断,经济预测等领域;与线性回归对比,不同在线性回归是一种聚类方法,而逻辑回归

  虽然名字中有“回归”,但实际却是一种分类学习方法,线性回归要求因变量必须是连续性数据变量;逻辑回归要求因变量必

  须是分类变量,二分类或者多分类的。

技术图片

  技术图片

 实现sigmoid函数:

 1 import numpy as np
 2 from matplotlib import pyplot as plt
 3 
 4 x = np.linspace(-10, 10)
 5 y = 1/(np.exp(-x)+1)
 6 
 7 # 指定字体,解决plot不能显示中文的问题
 8 plt.rcParams[font.sans-serif] = [SimHei]
 9 # 用来正常显示负号
10 plt.rcParams[axes.unicode_minus] = False
11 plt.grid()
12 plt.title("sigmoid函数")
13 plt.plot(x, y, color=b)
14 plt.show()

运行结果:

 技术图片

2.自述一下什么是过拟合和欠拟合?

答:过拟合(over-fitting )就是模型把数据学习的太彻底,以至于把噪声数据的特征也学习到了,这样就会导致在后期测试的

  时候不能够很好地识别数据,即不能正确的分类,模型泛化能力太差

  欠拟合(under-fitting)就是模型没有很好地捕捉到数据特征,不能够很好地拟合数据。

技术图片

3.思考一下逻辑回归的应用场景有哪些?

答:逻辑回归是解决二分类问题的利器,可以应用在:

  ①识别客户是否流失。

  ②某广告被用户点击的可能性。

  ③某用户购买某商品的可能性。

  ④预测应用宝里用户是否会下载某个APP。

  ⑤在个人信用评估领域,预测申请人的信贷风险概率。

以上是关于6.逻辑归回的主要内容,如果未能解决你的问题,请参考以下文章

6.逻辑归回

6.逻辑归回

6.逻辑归回

6.逻辑归回 4/23

6.逻辑归回

6.逻辑归回