一、logistic回歸模型
線性回歸模型要求因變數是連續型正態變數。
當因變數是分類變數時，logistic回歸模型是最好的回歸模型。
由於y只能取兩個值1或0，y的條件數學期望：
e(y|xi)=1*p(y=1|xi)+0*p(y=0|xi)=p(y=1|xi)
選擇乙個函式，p(y=1|x)=f(x)=logistic函式，作為回歸方程。即利用觀測資料（xi，yi）擬合乙個logistic函式。
根據logistic函式的定義
p=p(y=1|x)=exp(a+b*x)/(1+exp(a+b*x)),這裡p/(1-p)=exp(a+b*x)。
二、引數估計
極大似然估計的基本思想：既然一次取樣得到了樣本，那麼這個樣本出現的可能性應該極大，最大化思然函式，求出未知引數。
似然函式l=
πp(yi=m|x1i,x2i,...,xki)
對似然函式取對數求導，即可求得各係數。
三、回歸係數意義
回歸係數的估計值b反映了自變數x對因變數y的影響作用的大小。
四、擬合優度檢驗
ln（p/1-p）=a+b1*x1+b2*x2+...+bk*xk
皮爾遜x2檢驗法：通過比較模型**的和觀測的目標事件發生和不發生的頻數來檢驗模型成立的原假設。
x2統計量的值要是很小，意味著**值與觀測值之間沒有顯著區別，擬合很好，接受原假設模型。反之拒絕。
如何確定x2？
1、設定乙個「小概率」a（顯著性水平），一般取0.10，0.05，0.01，0.001等。
2、查表得到閾值x2。
3、比較，小於閾值接受，大於閾值拒絕。
五、流行資料分析平台及資料探勘工具介紹
sas spss weka matlab oracle hadoop
Logistic回歸模型
首先，可以通過向量化的方式來消除遍歷所有引數時使用的迴圈 然後，集中精力使用向量化技術消除另乙個迴圈，即用來遍歷所有訓練樣本的迴圈 第一步，將線性變換過程改寫為向量化 第二步，將啟用過程改寫為向量化 第三步，做偏導數的向量化 第四步，求出梯度中權值w的向量化表示 第五步，求出梯度中偏置b的向量化表示...
logistic回歸 logistic回歸
logistic回歸 logistic回歸分析可用於估計某個事件發生的可能性，這是乙個分類模型而不是乙個回歸模型！它的基本思想是利用一條直線將平面上的點分為兩個部分，即兩個類別，要解決的問題就是如何擬合出這條直線，這個擬合的過程就稱之為 回歸 logistic模型 假設你有乙個需要 的內容，要通過三...
logistic分類（logistic回歸 LR）
幾乎所有的教材都是從logistic分類開始的，因為logistic分類實在太經典，而且是神經網路的基本組成部分，每個神經元 cell 都可以看做是進行了一次logistic分類。所謂logistic分類，顧名思義，邏輯分類，是一種二分類法，能將資料分成0和1兩類。logistic分類的流程比較簡單...