6.逻辑归回

Posted 2020-11-27 hs01

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。