知识卡片

普通读书笔记卡 · 9443.j · 生成模型:Tencent Hunyuan Hy

逻辑回归概率输出

理解等级:中级

逻辑回归的价值不只是把样本分成 0 或 1 两类,更重要的是给出分类的准确性——即属于某类的概率大小。 以肿瘤检测为例:在患者已确诊带有肿瘤的前提下,我们更关心的是患恶性肿瘤的概率是多少,而非简单的是/否。因此逻辑回归可理解为“通过概率将样本分成 0 和 1 两类”。 由于不再用固定阈值一刀切,二维平面上的判定边界也不再是一条直线,而可以是直线或曲线,能区分不能线性分开的数据集,包容性更强。 落地场景:互联网领域常用逻辑回归预测客户流失概率、客户恶意欠款概率以及进行风险监测,都是看“概率”而非“标签”的典型。 边界:判定边界是否合适取决于假设函数 hθ(x) 设计得是否合理。

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

    参考来源

    - 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第4章《趋势预测专家:回归分析》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00009.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文指出“逻辑回归的目的不仅仅是将样本分成0或1两类,更重要的是样本分类的准确性……我们可以理解它通过概率将样本分成了0和1两类”,并列举概率预测场景,支撑本卡。 - 原始内容:逻辑回归的目的不仅仅是将样本分成0或1两类,更重要的是样本分类的准确性。例如进行肿瘤检测时,在患者确诊带有肿瘤的情况下,我们更关心患恶性肿瘤的概率是多少。因此对于逻辑回归,我们可以理解它通过概率将样本分成了0和1两类。