一、什么是线性回归（Linear regression）？
首先我们要了解，什么是回归？
我们认为所有的特定组数据是相关的，符合一定的分布规律（可以想象成各种曲线），而回归就是来确定这个曲线的参数从而确定这个曲线（曲线可以用数学函数来表示）。
继而我们可以根据确定的函数和要预测的一组x值，来计算新的数据的结果，这个结果就是我们要预测的x值对应的y值。
简单来说，回归是一种拟合数据的方法。
第二步，我们了解线性回归是什么。我们学习代数的时候会看到下面这样的式子：
就是一堆x1,x2……的变量乘以他们对应的权重w1,w2…… ，得到最后的结果。
而线性回归就是已经知道图上的一些数据点，用一根曲线去拟合的过程。简单来说，就是确定w1,w2这些参数的值。
知道这些参数值后，再有新的x值，我们就可以计算（预测）出y值。这是我们的目的。
線性回歸
二、什么是逻辑回归（ Logistic Regression）？
上面说了线性回归，它很简单也很好理解，但线性回归有很多缺点，最明显的是两个：
- 一是线性回归是输入到输出的线性变换，拟合能力有限。
- 二是线性回归的目标值是(−∞,+∞)，而很多时候我们希望输出的值是（0,1）（比如广告领域在做CTR预估的时候）。
所以出现了逻辑回归。逻辑回归是机器学习中的一种分类模型，在线性回归的基础上，套用了一个逻辑函数，用于估计某种事物的可能性。
在工业界，逻辑回归被广泛运用，某些场景下甚至有“一个LR打天下”的情况出现，可以说这个模型是机器学习必须精通的模型。
这里需要注意两个点：
-
一是逻辑回归解决的是分类问题，而不是回归问题，虽然它名字里有回归俩字；
-
二是这里的可能性，不是数学上的概率，这里的可能性是特征值得加权求和，不是直接相乘。
和线性回归一样，我们会拿到一堆的x1,x2……，然后想办法确定模型的各种参数，我们的目标是知道当一组x输入时，结果是0还是1。怎么才能达到输出0,1的目标呢？
- 第一步，我们得引入sigmoid函数：
sigmoid函数
其中x 是我们的输入，theta 为我们要求取的参数
sigmoid函数的图形
因为函数的特性，不管输入什么x值，y值都会是在（0,1）的范围内。
- 第二步，就是对于得到的y值，大于某个阈值（通常是0.5）就输出1，小于就输出0。
到具体场景里就是，一个妹子在浏览电商网站，我们通过app上报的数据了解到：
- x1（现在用的手机是iphon），
- x2（用4g上网），
- x3（23岁），
- x4（女性）
- x5 (买了一个新iPhone)
- 还有一些其他的信息……
那么问题来了，她会不会买个手机壳？
我们把这一堆x输入到模型中，经过与模型参数的各种计算，得到一个y值。
当y大于0.5时，我们就输出1，认为她会买。如果小于等于0.5，系统就输出0，认为她不会买。
三、他们的区别是什么？
经过上面的介绍，相信大家已经知道了他们的区别:
- 1 线性回归是计算出具体的值，是解决回归问题；逻辑回归是给出是和否，解决的是分类问题。
- 2 逻辑回归引入了sigmoid函数，把y值从线性回归的(−∞,+∞)限制到了（0,1）的范围。
- 3 逻辑回归通过阈值判断的方式，引入了非线性因素，可以处理分类问题。
网友评论