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率进
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。
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:
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。
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