← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 8615 · 生成模型:GPT-6

逻辑回归用链接函数输出概率

理解等级:中级

二元逻辑回归对类别响应建模,以线性分数z经1/(1+exp(−z))转成概率,再按业务阈值分类。它与线性回归的损失、响应假设和链接不同,不只是最后加个阈值;二项响应可为0/1,不代表误差本身只能取0或1。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第6章 正则化:文本回归 文本回归 · 连续片段1 · 查看原书依据

      逻辑回归,本质上是一种回归,它预测的其实是一个样本属于两个类别之中某一个的概率值。因为概率值总是介于0~1,所以我们可以以0.5作阈值来创建一个分类算法。除了输出介于0~1以外,逻辑回归本质上和线性回归是一致的。唯一的区别是你需要根据输出是否高于阈值来做出一个分类判断。首先我们会

    参考来源

    - 位置:《机器学习:实用案例解析》第06章《文本回归 · 连续片段1》(来源项目book-sources;源文件:extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part3109.html,spine3215) - 结论依据:原文的案例步骤与解释支持所述机制;R包、外部API与数据接口限定于本书出版时环境,不作为当前兼容性承诺。 - 原始内容:逻辑回归,本质上是一种回归,它预测的其实是一个样本属于两个类别之中某一个的概率值。因为概率值总是介于0~1,所以我们可以以0.5作阈值来创建一个分类算法。除了输出介于0~1以外,逻辑回归本质上和线性回归是一致的。唯一的区别是你需要根据输出是否高于阈值来做出一个分类判断。首先我们会