溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本篇內容主要講解“Logistic回歸怎么實現”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“Logistic回歸怎么實現”吧!
Logistic回歸，通過估計事件發生的對數概率來對事件發生的概率進行建模。如果我們假設對數比值和 j 個自變量之間存在線性關系，那么我們可以將事件發生的概率p建模為：
你可能注意到未指定對數底。對數的底數其實并不重要，回想一下，如果我們把兩邊都乘以logk b，我們可以把底數b改成任何新的底數k。
這使我們可以靈活地假設左側的底數。當然，底數會影響對結果和系數值的解釋。
如果我們有估計系數，就很容易分離出p。注意，p/(1-p)表示事件發生的概率。
我們將用另一個例子來解釋說明。房地產經紀人吉姆(Jim)訓練了一個邏輯回歸模型來預測某人出價買房的可能性。他通過使用兩個解釋變量來保持他的模型的簡潔性:
x1:潛在客戶拜訪房子的次數
這棟房子的要價是幾千美元
在使用程序確定最優系數后，Jim為他的模型推導出這些系數:
Jim的模型告訴我們:
潛在買家每多一次拜訪，平均概率自然對數增加2
房屋每增加1000美元，平均概率的自然對數下降0.002
聽起來很拗口，而且很難聽懂。我們可以用一個更簡單的技巧來解釋。
我們可以計算e的2次方和-0.002次方的值來簡化解釋。
潛在買家平均每增加一次造訪的時間，他提出報價的概率就會增加約7.39倍
房屋每增加1000美元，平均出價的概率會受到0.998倍的影響
如果吉姆的客戶，Sue，參觀了一次房子，房子價值100萬美元，那么我們可以用上面推導出的公式來估計她購買房子的概率。
這表明Sue有大約4%的概率出價買下這所房子。
盡管logistic回歸是一種回歸模型，但它經常被用于分類。概率總是在0和1之間。我們可以設置一個任意的閾值來預測觀察到的類別。
我們還可以將logistic回歸擴展為兩個以上的分類器，使其成為一個多類分類器。為此，我們可以采取“ 一對一”的方法，即訓練盡可能多的邏輯回歸模型（每個模型預測一個類別的對數概率），并采用產生最高推斷概率的類別。
到此，相信大家對“Logistic回歸怎么實現”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
