-
2022-10-28
查看全部 -
分类算法
分类学习的基本概念
建立模型逻辑：
类别并非男和女，而是女和非女，因为不清楚分类总和是否全体，所以采用A和非A作为分类。
评价指标
正确率，代表在整体中识别正确的几率
精度：数据输出的正确率
召回率：输入的数据能够识别出来的正确率
F1 score 是精度和召回率的调和平均值
逻辑回归 ：logistic回归（LR） 逻辑回归是一种广义的线性回归分析模型
常用于数据挖掘、疾病自动诊断、经济预测等等领域。
逻辑回归算法的优缺点
优点：思路清晰简单易实现，实现代价低
缺点：只能处理线性问题，对于非线性问题的拟合度、精度低
上图为sigmoid函数
一般来说，在二维空间的线性变换下，z = ax + b ，同理 w^T在此也是系数矩阵，系数矩阵乘以特征向量加上常量，常量b可以加到w^T矩阵里面，省略不写b
sigmoid函数的图像：
逻辑回归的模型就是每个特征的回归系数，即W^T
特征：线性分类，不进行特别处理，无法处理非线性的问题
通过训练数据集，计算出最合适的系数向量，即W^T，最合适即是指错误概率最低的情况
应用：逻辑回归是分类算法的经典算法
查看全部 -
逻辑回归，是监督学习里面的分类所使用的最经典算法
监督学习 使模型对给定的输入，能够映射预测的结果，使用有标记的数据。
非监督学习 直接对没标记的训练数据进行建模学习，使用无标记的数据。
查看全部 -
逻辑回归查看全部
-
初始化回归系数向量
查看全部 -
测试章节下多个笔记
查看全部 -
本次学习位置0:31
查看全部 -
逻辑回归与线性回归之间的联系
查看全部 -
求梯度表达式
查看全部 -
样本属于真实标签的概率表达式
查看全部 -
似然函数表达式
查看全部 -
Maximum likelihood：
利用已知的样本结果，反推最有可能导致这样结果的参数值
查看全部 -
“最合适”，可理解为错误概率最低的情况
查看全部 -
逻辑回归的性质：线性分类器，若无特殊处理，无法解决非线性问题；
建模过程：通过训练数据集，计算出“最合适”的系数向量
查看全部 -
逻辑回归模型，就是每个特征的回归系数，即wT + b
查看全部 -
逻辑回归表达式；Sigmoid
查看全部 -
混淆矩阵；评价指标
查看全部 -
梯度的计算方法
查看全部
举报