本文共 426 字,大约阅读时间需要 1 分钟。
F(x) = P(X <= x) = 1 / ( 1 + e^{ - (x - u) / r } )
f(x) = F’(x) = e ^ { -(x-u)/r } / r*(1 + e ^ { - (x - u) / r } )^2 u位置参数 r形状参数h(x) = 1 / ( 1 + e^{ - theta{T} * X } )
LR分类问题本质上把X坐标映射到Sigmoid分布上。
logit§ = log{ p/(1-p) }
带入逻辑斯蒂回归有: log{ h(x) / (1 - h(x)) } = theta{T} * X 此处log应该以e为底优点:
预测结果届于0与 1之间的概率 可以适用连续性和类别性自变量 容易适用和理解缺点:
对高度相关自变量较为敏感,最好使用降维。 预测结果呈现S型,边界梯度消失,中间变化大,导致部分变量变化对目标概率没有区分度,无法确定阈值。详细见:
转载地址:http://guwji.baihongyu.com/