说到逻辑回归，可以先回顾下前期的文章《线性回归》。线性回归能够对连续值进行预测，如根据面积对房价进行预测。而在现实生活中，我们还有常见的另一类问题：分类问题。最简单的是二分类问题，即是与否的问题，如得病与否，交易是否合理，能否发放贷款，邮件是否垃圾邮件等。
逻辑回归（logistic regression），虽然名字上有“回归”两字，但它实际应用的是处理分类问题（classification）。它的核心思想是：如果回归的结果输出是一个连续值，而值的范围是无法限定的，那么想办法把这个连续结果值映射为可以帮助我们判断的结果值，从而进行分类。所以，从本质上讲，逻辑回归是在回归的基础上，进行了特殊的改进，而被用于分类问题上。
下面用一个最简单的例子来说明逻辑回归的使用过程。使用的是非常著名的IRIS数据集，也称为鸢尾花数据集。下载地址为：http://archive.ics.uci.edu/ml/。数据集包含150条数据，每条数据包含4个属性，分别是花萼长度（sepal length）、花萼宽度（sepal width）、花瓣长度（petal length）、花瓣宽度（petal width），分为Setosa、Versicolour，Virginica这3个种类，每类50条数据。
由于这个数据集是三分类问题，为了简便起见，重在理解逻辑回归的原理，这里对数据集进行了裁剪，只选取Setosa、Versicolour这两个种类进行二分类。
下面分别从策略、模型、算法三个方面给出问题解决框架。
（1）模型
模型就是所有学习的条件概率分布或决策函数。在这个实例中，我们已知4个影响戈尾花分类的变量花萼长度（sepal length）、花萼宽度（sepal width）、花瓣长度（petal length）、花瓣宽度（petal width），令其分别为x1,x2,x3,x4。我们构建的模型认为是这4个变量的线性组合，于是得到：
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/30114.html