1、线性与多元回归回顾

2、逻辑回归案例

训练集的自变量是顾客年龄,因变量是该顾客是否购买该产品,购买为1,不购买为0。
3、线性回归不适用

对于低龄用户和高龄用户超出范围,需要变成直线,过渡部分可以表示购买的概率,但是我们希望过渡的更快一点,因为实际上这个过渡段是不存在的,它表示的是重叠部分的数据关系。
4、Sigmoid函数(S函数)


它的公式是y=1/(1+exp(-x)),我们可以简略的分析它的性质,在0到1的开区间内,并且是以指数速度过渡的。
另一种表示方法是lny/(1-y)=x,这里把x变成ax+b就是逻辑回归的模型了。
5、分类

我们的目的是要得出该用户是否购买该模型,所以将以y=0.5这条直线作为划分线,得到该用户是否购买该产品。
网友评论