当前位置:   article > 正文

逻辑回归(Logistic Regression)及在spark,sklearn等的应用(更新ing)_spark logisticregression maxiter

spark logisticregression maxiter

参考Logistics Regression
参考 李航.统计学习方法[M].清华大学出版社

概述

  • 本质上是一个分类模型,常用于二分类
  • 本质: 假设数据服从这个分布,然后使用极大似然估计做参数的估计

Logistic分布

logistic 分布是一种连续型的分布,其分布函数和密度函数分别为:
在这里插入图片描述
u 表示位置参数, r r r>0 为形状参数。 logistic 分布是由其位置参数和尺度参数 定义的连续分布。其分布的形状与正态分布形状相似,但其尾部更长。

逻辑回归和线性回归比较

线性回归预测输出的是连续值
线性表达式:
f ( x ) = w t x + b f(x)=w^tx+b f(x)=wtx+b
为了消除掉后面的常数项b,我们可以令 x ′ = [ 1 x ] T x^{\prime}=\left[

1x
\right]^{T} x=[1x]T ,同时 w ′ = [ b w ] T w^{\prime}=\left[
bw
\right]^{T}
w=[bw]T
,也就是说给x多加一项而且值恒为1,这样b就到了w里面去了,直线方程可以化简成为

f ( x ′ ) = w ′ T x ′ f\left(\boldsymbol{x}^{\prime}\right)=\boldsymbol{w}^{\prime T} \boldsymbol{x}^{\prime} f(x)=wTx
逻辑回归输出的是离散的值
分为二分类和多分类
为了得到预测概率值。我们用sigmoid激活函数。
g ( z ) = 1 1 + e − z g(z)=\frac{1}{1+e^{-z}} g(z)=1+ez1
g(

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/繁依Fanyi0/article/detail/547154
推荐阅读
相关标签