目录
一、简介
二、逻辑回归的原理
1、线性回归部分
2、逻辑函数（Sigmoid函数）
3、分类决策
4、转换为概率的形式使用似然函数求解
5、对数似然函数
编辑
6、转换为梯度下降任务
三、逻辑回归拓展知识
1、数据标准化
（1）、0~1标准化
（2）、Z标准化
2、 交叉验证
K折交叉验证
3、过拟合、欠拟合
（1）、过拟合
（2）、欠拟合
4、正则化惩罚
5、混淆矩阵
四、总结
一、简介
机器学习中的逻辑回归是一种广泛使用的分类算法，尤其适用于二分类问题（也可以扩展到多分类问题）。它的核心思想是通过线性回归模型预测概率，然后使用逻辑函数（如 Sigmoid 函数）将概率映射到分类标签。
二、逻辑回归的原理
逻辑回归是在线性回归的基础上使得线性函数映射Sigmoid函数上从而达到分类的效果。
1、线性回归部分
使用线性方程计算输入特征的加权和：
其中：
-
w0,w1,…,wnw0,w1,…,wn 是模型参数（权重）。
-
x1,x2,…,xnx1,x2,…,xn 是输入特征。
2、逻辑函数（Sigmoid函数）
将线性回归的结果 zz 映射到 [0, 1] 之间的概率值：
其中：
-
P(y=1∣x)P(y=1∣x) 是样本属于类别 1 的概率。
-
Sigmoid 函数的输出值越接近 1，表示样本属于类别 1 的概率越大。
3、分类决策
根据概率值进行预测：
整合：
4、转换为概率的形式使用似然函数求解
5、对数似然函数
6、转换为梯度下降任务
求偏导
参数更新
三、逻辑回归拓展知识
1、数据标准化
（1）、0~1标准化
也叫离差标准化，是对原始数据的线性变换，使结果映射到[0,1]区间。
min(x)、max(x)分别代表样本的最小值和最大值。
（2）、Z标准化
这种方法基于原始数据的均值(mean)和标准差(stand ard deviation)进行数据的标准化。将A的原始值x使用z- score标准化到x'。
s为样本的标准差 。
2、 交叉验证
K折交叉验证
3、过拟合、欠拟合
（1）、过拟合
-
定义：模型在训练集上表现很好，但在测试集上表现较差。
-
原因：
-
模型过于复杂（例如，参数过多）。
-
训练数据过少或噪声过多。
-
-
解决方法：
-
增加训练数据。
-
降低模型复杂度
-
减少特征、使用正则化
-
（2）、欠拟合
-
定义：模型在训练集和测试集上表现都不好。
-
原因：
-
模型过于简单（例如，特征不足）。
-
训练时间不足。
-
-
解决方法：
-
增加特征或使用更复杂的模型。
-
增加训练时间。
-
4、正则化惩罚
正则化是一种防止过拟合的技术，通过在损失函数中添加惩罚项来限制模型参数的大小。
损失函数：
正则化惩罚：
正则化惩罚种类
5、混淆矩阵
混淆矩阵（Confusion Matrix）是用于评估分类模型性能的一种表格，特别适用于二分类和多分类问题。它展示了模型预测结果与真实标签之间的对比情况，帮助我们直观地分析分类模型的准确性、错误类型等。
对于二分类
-
真正例 (True Positive, TP)：模型正确预测为正类的样本。
-
假正例 (False Positive, FP)：模型错误预测为正类的样本（实际为负类）。
-
假反例 (False Negative, FN)：模型错误预测为负类的样本（实际为正类）。
-
真反例 (True Negative, TN)：模型正确预测为负类的样本。
计算公式
- 召回率（Recall）是分类模型评估中的一个重要指标，主要用于衡量模型在识别正类样本（即实际为正类的样本）时的表现。它反映了模型将正类样本正确分类的能力。
- 特异度（Specificity）是分类模型评估中的一个重要指标，主要用于衡量模型在识别负类样本（即实际为负类的样本）时的表现。它反映了模型将负类样本正确分类的能力。
- F1 分数（F1 Score）是分类模型评估中的一个重要指标，用于综合衡量模型的精确率（Precision）和召回率（Recall）。它是精确率和召回率的调和平均值，旨在平衡两者，特别适用于正负样本分布不均衡的场景。
四、总结
逻辑回归是一种简单但强大的分类算法，适用于线性可分或近似线性可分的数据。通过标准化、正则化和交叉验证等技术，可以进一步提升其性能。尽管逻辑回归对非线性数据的拟合能力有限，但在许多实际应用中仍然表现出色。