名叫“重归”的分类器器
以前人们触碰了不不少带“重归”两字的优化算法，重归树，随机森林的重归，线性回归，无一例外。她们全是差别于分类算法们，用于解决理和预测分析连续型标识的优化算法。殊不知逻辑回归，是这种名叫“重归”的线形分类器器，其实质是由线性回归转变而成的，这种普遍应用于归类难题中的理论重归优化算法。要理理解逻辑回归究竟是从哪里而来的呢？，得要先从线性回归刚开始。线性回归是设备器学习培训中非常简单的的重归优化算法，对随意样版，它创作1个基本上每个人了解的式子：
w 被通称为实体模型的主要参数，在其中 w0被称作截距(intercept)， w1~ wn被称作指数(coefficient)，这一表述
式，我觉得就和人们中小学时就极其了解的 y=ax+b是一样的特性。人们能够应用向量来表达这一式子，
在其中x和w 能够被看作是1个列向量，则有:
线性回归的每日任务，就是说结构1个预测分析涵数 来投射输⼊入的特点向量x和标识值y的线性相关，而结构预测分析涵数的关键就是说找到实体模型的主要参数：wT 和 w0，知名的最小二乘法就是说用于求出线性回归中主要参数的数学方法。
根据涵数 ，线性回归应用键入的特点向量X来輸出1组连续型的标识值y_pred，以进行各种各样预测分析连续型自变量量的每日任务（例如预测分析商品销售量量，预测分析股票价格这些）。那假如人们的标识是离开型自变量量，特别是在是，假如是考虑0-1遍布的离开型自变量量，人们要该怎么办呢？人们能够根据导入联系函(linkfunction)，将线性回归方程z转换为g(z)，而且令g(z)的值遍布在(0,1)中间，且当g(z)贴近0时样版的标识为类型0，当g(z)贴近1时样版的标识为类型1，那样就获得了了1个归类实体模型。而这一联络涵数针对逻辑回归而言，就是说Sigmoid涵数：
线性回归的关键每日任务是根据求出w 搭建 z这一预测分析涵数，并期待预测分析涵数 z可以尽可能量拟合统计数据，因而逻辑回归的关键每日任务都是相近的：求出w 来搭建1个可以尽可能量拟合统计数据的预测分析涵数y(x) ，并根据向预测分析涵数中键入特点向量来获得相对的标识值y。
为何什么必须逻辑回归
线性回归对统计数据的规定很严苛，例如标识务必考虑正态分布，特点中间的多重共线性必须清除这些，而实际中许多真正场景的统计数据不能满足这种规定，因而线性回归在许多实际情景的运用实际效果不足。逻辑回归是由线性回归转变而成，因而它对统计数据也是某些规定，而人们以前早已学已过了强劲的归类实体模型决策树和任意森林，他们的归类效力很强，而且不不必须对统计数据做一切预处理。
更何况，逻辑回归的基本原理理我觉得并不是不简易。自己要理解逻辑回归，务必要有必须的基础数学，务必理解损失函数，正则化，梯度下降，海森向量这些这种繁杂的定义，才可以对逻辑回归进行调优。其涉及的数学课理理念，不比支持向量机少是多少。更何况，要测算几率，朴素贝叶斯能够测算出真实实际意义上的几率，要进行归类，机器学习培训中可以进行二归类作用的实体模型真是比比皆是。因而，在大数据挖掘，人工智能技术所涉及的诊疗，文化教育，面部识别，语音识别技术这种行业，逻辑回归沒有过多的登场机遇。
乃至，在人们的各种各样深度学习經典推荐书目中，周志华的《机器学习培训》400页仅有个页面纸是有关逻辑回归的（還是个页面数学公式），《数据挖掘导论》和《Python计算机科学指南》中彻底沒有逻辑回归有关的內容，sklearn中比照各种各样归类器的效用都不带逻辑回归玩，看得见业内影响力。
可是，不管机器学习培训行业怎样瞎折腾，逻辑回归仍然是1个受工业生产商业服务喜爱，应用普遍的实体模型，由于它拥有不不可取代的优势：
逻辑回归对线性相关的拟合好用到丧尽天良，特点与标识中间的线性相关很强的统计数据，例如金融
行业中的透支卡诈骗，得分卡制作，电子商务中的营销推广预测分析这些有关的统计数据，全是逻辑回归的优势。虽
然如今拥有了梯度方向提高树GDBT，比逻辑回归实际效果更更好，也被很多统计数据咨询管理公司开启，但逻辑回归在
金融行业，特别是在是金融机构行业中的执政影响力仍然不可动摇（相对性的，逻辑回归在离散系统统计数据的实际效果许多
那时候比瞎猜还不不如，因此当你早已了解统计数据中间的联络是离散系统的，干万不要封建迷信逻辑回归）。
逻辑回归测算快：针对线形统计数据，（绝大多数那时候）逻辑回归的拟合和测算都十分快，测算高效率好于
SVM和任意森林，测试表达在大中型统计数据上特别是在可以看得出来差别。
逻辑回归回到的归类結果不是固定不动的0，1，只是以小数方式展现的类几率大数字：人们因而能够把
逻辑回归回到的結果当做连续型统计数据来运用。例如在得分卡制作时，人们不仅必须分辨顾客是不是会
毁约，还必须得出明确的”芝麻分“，而这一芝麻分的测算就必须应用类概率计算出的多数概率，而
决策树和随机森林林那样的分类器器，能够产出率归类結果，却没法协助人们测算成绩（或许，在
sklearn中，http://caishendaka.cn/index.php?upcache=1决策树还可以造成几率，应用插口predict_proba启用就行，但通常情况下，一切正常的管理决策
树沒有这一作用）。
另一个，逻辑回归也有抗噪能力强的优势。福布斯杂志期刊在探讨逻辑回归的优势时，乃至拥有“技术性上而言，最好实体模型的AUC总面积小于0.8时，逻辑回归比较突出好于树实体模型”的叫法。而且，逻辑回归在小uci数据集上主要表现更更好，在大中型的uci数据集上，树实体模型拥有更更好的主要表现。
从而，人们早已了解了逻辑回归的实质，这是1个回到多数概率的，在线形统计数据上主要表现出色的归类器，它关键被运用在金融行业。其数学课目地是求出可以让实体模型对统计数据拟合程度最大的主要参数w 的值，为此搭建预测分析涵数y(x) ，随后将特点向量键入预测分析涵数来测算出逻辑回归的結果y。留意，尽管人们了解的逻辑回归一般 被用以解决二归类难题，但逻辑回归还可以开多归类。
来源：https://blog.csdn.net/hu131525/article/details/101118829