知识卡片
逻辑斯谛回归是分类模型
逻辑斯谛回归(logistic regression)名字里有”回归”,但它实际上是线性分类模型,不是回归模型——这是最容易踩的名字陷阱。它针对线性可分的二类别分类问题,易于实现且性能优异,是业界应用最广的分类模型之一;和感知器、Adaline 一样是线性模型,通过一对多(OvR)可扩展到多类别。它相对感知器的关键优势:感知器在样本非线性可分且总存在错分样本时权重会永远更新、无法收敛,逻辑斯谛回归则输出样本属于类别的概率,即使不完美线性可分也能给出可用的概率模型。理解要点:看到”回归”二字不要当连续值预测,它输出的是类别概率。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 3.3 逻辑斯谛回归中的类别概率 · 查看原书依据
逻辑斯谛回归模型也是适用于二类别分类问题的线性模型,通过一对多(OvR)技术可以扩展到多类别分类
参考来源
- 位置:《Python机器学习》第3章《3.3 逻辑斯谛回归中的类别概率》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/part0032.xhtml.xhtml)
- 结论依据:原文明确"逻辑斯谛回归是分类模型不是回归模型",说明它是线性二分类模型、可用 OvR 扩展,并对比感知器在非线性可分时不收敛的缺点。
- 原始内容:逻辑斯谛回归模型也是适用于二类别分类问题的线性模型,通过一对多(OvR)技术可以扩展到多类别分类