知识卡片
分类阈值与错误代价
二分类逻辑回归以 Logistic 函数把线性得分转成正类概率,再与阈值比较得到类别。提高正类阈值会减少被判为正类的样本,也可能漏掉更多真实正类;降低阈值则可能增加误报。阈值应结合任务目标及两类错误的代价选择,概率输出本身并不决定唯一阈值。
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
- 逻辑回归 4.3 二分类逻辑回归 · 查看原书依据
二分类逻辑回归模型只提供概率
参考来源
- 位置:《用Python实现深度学习框架》第4章《逻辑回归》,4.3 二分类逻辑回归(来源项目 book-source:`extracted/用Python实现深度学习框架/_epub-src/text/part0000_split_037.html`)
- 结论依据:原文比较损失曲线、推导 Logistic 和二分类阈值;概率互补式勘误可由 1−σ(z) 的代数变形核对。
- 原始内容:二分类逻辑回归模型只提供概率。