1.逻辑回归和线性回归的联系和区别：
逻辑回归和线性回归的都是广义的线性回归。
线性回归是根据最小二乘法来建模，逻辑回归是根据最大似然来建模。
线性回归是在整个实数范围内进行预测，敏感度一样，
而逻辑回归是类似一种归一化，把预测值限定到【0，1】间的回归模型。
相同点就是：都用梯度下降来进行最优参数求解，得到模型。
2.逻辑回归的原理：
一句话概括：逻辑回归假设数据服从伯努利分布,通过极大化似然函数的方法，运用梯度下降来求解参数，来达到将数据二分类的目的。
逻辑回归是一个基于条件概率的判别模型。
线性回归的结果通过一个函数sigmoid的映射得到逻辑回归。
sigmoid函数
3.逻辑回归的损失函数的推导以及优化
我们通过最大似然函数推到目标函数：
假设样本输出概率：
合并上述两个式子：
我们已知样本的条件概率，对于m个样本，求极大似然估计：
取对数，好处是把乘法变成加法：
取负数，把最大值转换为求最小值：
常见的优化方法有：梯度下降法，坐标轴下降法，等牛顿法
介绍梯度下降法：
求函数的梯度，并初始化参数值和步长。通过不断迭代参数，得到极小值。
4.正则化：
逻辑回归也会有过拟合问题，常见的正则化为L1,L2正则。
5.逻辑回归的优缺点：广泛而精巧
优点：
1.模型简单
2.训练速度快
3.资源占用小。
4.方便输出结果调整，因为输出的是概率值，我们可以通过设定阈值来进行正负样本分类。
逻辑回归广泛用于广告预测，垃圾分类，信用评估等。
缺点：
1.对比起SVM,Ada分类的准确度没有他们高。
2.对于正负样本不均衡，很难取处理。
3.在不引用其他方法的前提下，没法处理非线性数据和多分类。
4.逻辑回归没法筛选重要特征。
6.样本不均衡处理方法：
可以从数据集角度处理：
1.oversampling过采样：从少数类的样本中随机采样来添加新的样本。
缺点是过拟合。
解决方法：Easysemble
：通过集成学习的方法，多次随机有放回的过采样样本集和少类样本集组成多个不同训练集，训练多个模型，通过最终结果的组合得到最终结果。
2.undersampling欠采样：从多数类样本中随机选择少量样本相同的size和少量样本组成样本集。缺电：欠拟合。
解决方法：SMOTE算法
：对少数样本进行分析并人工合成新的样本添加进去，而不是下像之前的直接重复采样。
算法步骤：
7.sklearn参数
网友评论