目前平台处于试运行阶段,如有任何问题或建议,请发送邮件至 service@dataju.cn 或加入QQ群 565136792 联系管理员。

满足不同角色需求:领域专家 数据管理者 数据科学家 科研人员、高校教师及研究生 数据分析爱好者
逻辑回归(Logistic Regression)分类方法
2379次浏览 dataju 于 2016-07-10 发布
该内容是由用户自发提供,聚数力平台仅提供平台,让大数据应用过程中的信息实现共享、交易与托管。如该内容涉及到您的隐私或可能侵犯版权,请告知我们及时删除。
分析方法描述

Logistic回归也称Logit回归或Logit模型,是一个因变量是分类值的回归模型。

Logistic模型是特殊情况下的一般线性模型(General linear model),可用来预测二值因变量的概率。其预测函数中使用到了Logistic Function (见公式 \eqref{equ:logisticFun}),所以称其为Logistic Regression。

$$ \begin{equation} \begin{split} logistic(x)= \frac{L}{1+\mathrm{e}^{-k(x-\mu)}} \end{split} \label{equ:logisticFun} \end{equation} $$ 当$L=1,k=1,\mu=\textbf{0}$时,logistic regression的预测函数为 $$ \begin{equation} \begin{split} h_{\theta}(x)=logistic(\theta^T \cdot x)= \frac{1}{1+\mathrm{e}^{ -\theta^T \cdot x }} \end{split} \label{equ:logisticOriginal} \end{equation} $$ 当响应值$y \in \{0,1\}$时 $$ \begin{equation} \begin{split} & P(y=1|x;\theta)=h_\theta(x) \\ & P(y=0|x;\theta)=1-h_\theta(x) \end{split} \label{equ:responseProb} \end{equation} $$ 将两种情况综合起来, $$ \begin{equation} \begin{split} P(y|x;\theta)=(h_\theta(x))^y(1-h_\theta(x))^{1-y} \\ \end{split} \label{equ:responseProbInOne} \end{equation} $$ 取\eqref{equ:responseProbInOne}似然函数 $$ \begin{equation} \begin{split} L(\theta)=\prod^n_{i=1}P(y_i|x;\theta)=\prod^n_{i=1}(h_\theta(x_i))^{y_i}(1-h_\theta(x_i))^{1-y_i} \end{split} \label{equ:likehoodLogistic} \end{equation} $$
分析方法参数
暂无
相关应用案例
# 应用案例名称 应用案例介绍
1 UCI Germny数据集Logistic Regression建模预测贷款违约 UCI Germny数据集Logistic Regression建模预测贷款违约
参考资料
暂无

目前平台处于试运行阶段,如有任何问题或建议,请发送邮件至 service@dataju.cn 或加入QQ群 565136792 联系管理员。