邏輯回歸與線性回歸同屬監督學習的範疇，前者輸出離散**值而後者輸出連續**值，所以前者通常應用於分類問題。
需要強調，線性回歸通常並不適合解決分類問題。因為擬合結果受單一樣本點尤其是極端樣本點的影響過大，所以訓練出來的線性函式往往很難適配訓練集。故而對於分類問題我們才設計出了有別於線性回歸的新演算法，邏輯回歸演算法。
通過以上啟用函式對訓練集所擬合出來的非線性函式，它的物理意義其實是在計算正確分類的概率。邏輯回歸本質上是乙個概率問題，這是很多人沒有意識到的。
以sigmoid函式擬合二元分類問題為例，該啟用函式將實數域折合至0~1的範圍，而凡是使**輸出大於0.5的樣本點，皆被分作正類且正確的概率超過50%，反之同理不再贅述。
阿里雲天池 Python訓練營 Task01
今日學習任務 task01中的前兩個章節 1 變數 運算子與資料型別 2 位運算 記錄筆記 學習完成之後，選擇任意平台進行自我知識總結即可 今天學到了什麼將來可能需要複習的知識點，用筆記來方便自己複習 知乎 csdn github等。如果對記筆記有疑惑，歡迎討論 python是強型別語言，pytho...
Day01 了解邏輯回歸理論
學習目標 day01 了解邏輯回歸理論 1 什麼是邏輯回歸？邏輯回歸是監督學習 資料自帶標籤 是分類的演算法，簡單的說就是根據資料自 帶的標籤把資料進行分類。如性別，機關 區別於線性回歸是對數值型的資料進行 如房價，股價 優點 實現簡單，易於理解和實現 計算代價不高，速度很快，儲存資源低 缺點 容易...
邏輯回歸演算法 理論學習Tesk01
邏輯回歸演算法 理論學習 1天 打卡 邏輯回歸 分類模型。模型簡單且模型的可解釋性強 1 優劣勢 優點 實現簡單，易於理解和實現 計算代價不高，速度很快，儲存資源低 缺點 容易欠擬合，分類精度可能不高 2 應用 機器學習，分類演算法 3 應用資料集進行邏輯回歸分類步驟 1 匯入庫函式 2 讀取資料 ...