逻辑回归的基本原理
    逻辑回归是一种广泛应用于二分类任务的机器学习算法。它是用来预测标签属于某个类别的概率，而不是简单地返回只有 0 或 1 两个值中的一个。其中，两个分类可以是结果是好或不好，开不开心等等，结果均可以用 0 和 1 来表达。
    逻辑回归是一种分类算法，它使用一组权重将输入 input（例如，x_1,x_2,x_3等）映射到输出 y，而输出 y 则表示目标的概率，一些方法具有两种输出（如“1”和“0”），而另一些方法具有更多输出；例如，一个分类器可以生成0到1之间的输出，这表明一个实例的属于第一类的概率有多大。
    逻辑回归的优势在于加入偏置项及具备良好的优化性能，以及准确率较高，非常适宜于大型数据集。它在多元线性分析中起着重要作用，同时简单利用可用的数据变量来预测目标。由于输出结果表明了模型的预测概率，拥有更多的预测能力，可以分类出正确的类。
正则化逻辑回归    此外，逻辑回归还可以用于应用于预测变量，并能提供重要变量的显著性分析；而且，对于任何变量，最终都会变成参数模式，不需要我们去手动特征工程。
    总之，逻辑回归是一种简单而强大的机器学习方法，它能够将输入变量映射到输出，根据输入变量，可以预测出实例是否属于某一类，从而进行分类工作。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。