2023學年完整公開課版邏輯回歸2

主講：白云數(shù)據(jù)應(yīng)用與實大踐算法邏輯回歸

LogisticRegressionByBaiyun2邏輯回歸解決的問題3邏輯回歸推理4具體例子5評估邏輯回歸1什么是邏輯回歸目錄CONTENTS邏輯回歸

之前的課程我們了解了線性回歸是用線性的關(guān)系來擬合一個事情的發(fā)生規(guī)律,找到這個規(guī)律的表達公式,將得到的數(shù)據(jù)帶入公式以用來實現(xiàn)預(yù)測的目的,我們習慣將這類預(yù)測未來的問題稱作回歸問題。機器學習中按照目的不同可以分為兩大類：回歸和分類。邏輯回歸就可以用來完成分類任務(wù)。邏輯回歸：就是用回歸的辦法來做分類。從圖上看，分類邊界是一條直線。分類和回歸的區(qū)別按照任務(wù)的種類，將任務(wù)分為回歸任務(wù)和分類任務(wù)。那這兩者的區(qū)別是什么呢？較官方些的說法，輸入變量與輸出變量均為連續(xù)變量的預(yù)測問題是回歸問題,輸出變量為有限個離散變量的預(yù)測問題成為分類問題.分類模型基于某個輸入特征集為輸出劃分類別?；貧w給出“多少”，分類給出“哪一種”。因變量y是類別，離散數(shù)值。一個例子：一家媒體公司投放廣告，收集到用戶信息，年齡，有沒有買產(chǎn)品，擬合模型以便以后精準投放廣告。已知新：預(yù)測概率，0-1之間線性回歸-邏輯回歸SigmoidFunction

這個函數(shù)是連續(xù)對數(shù)sigmoid函數(shù)，范圍在0.0到1.0之間。邏輯回歸模型：在0-1之間的一條曲線預(yù)測：選定閾值0.5評估模型評估模型是了解模型在特定情況下給出正確分類結(jié)果的準確程度，以及評估預(yù)測值得過程。我們只關(guān)心模型做出的正確預(yù)測的頻率，或者，模型能比其他模型更準確地做出某一類預(yù)測?；煜仃嚕–onfusionMatrix）:也稱混淆表，是表示分類器的預(yù)測值和實際結(jié)果之間關(guān)系的，由行和列構(gòu)成的表。判斷標準：TP(TruePositive)：將正類預(yù)測為正類數(shù)，真實為1，預(yù)測也為1FN(FalseNegative)：將正類預(yù)測為負類數(shù)，真實為0，預(yù)測為1FP(FalsePositive)：將負類預(yù)測為正類數(shù)，真實為1，預(yù)測為0TN(TrueNegative)：將負類預(yù)測為負類數(shù)，真實為0，預(yù)測也為0假陽性成為Ⅰ型錯誤，假陰性成為Ⅱ型錯誤。靈敏度與特異性靈敏度=TP/(TP+FN)特異性=TN/(TN+FP)準確度準確度=（TP+TN）/(TP+FP+FN+TN)精度