标签：yi 输出 判断 机器 函数 python 回归 分类 计算
目录
逻辑回归
计算机自动寻找垃圾信息共同特征
在新信息中检测是否包含垃圾信息特征内容，
判断其是否为垃圾邮件
部分特征：发件人、是否群发、网址、元、赢、微信、免费
- 根据数据类别与部分特征信息，自动寻找类别与特征信息的关系，
判断一个新的样本属于哪种类别
特征信息以列为单位，行是不同人的信息，输出数据类别（如0是正常，1是垃圾），然后去寻找关系
- 通过股价预测任务区分回归任务与分类任务
分类：非连续性判断类别
模型输出：非连续型标签
（明天股价预测为：上涨)
回归：连续性数值预测
模型输出：连续型数值
(明天股价预测为：125.1）
- 水位判断案例
任务：根据水位，判断水池是否需要蓄水或放水
特征信息：水位数据
数据类别：待蓄水（0）、放水（1）
-
先尝试用线性回归判断（复杂场景就不适用了）
求得一元线性回归直线方程
但如果数据样本复杂度增加，模型准确率下降明显
增加了一个x=50后，y的直线方程输出了异常的数据，如x=1时，方程判断结果=0
-
逻辑回归
根据数据特征，计算样本归属于某一类别的概率P(x)，根据概率数值判断其所属类别
Y(x)界线明显，分类效果好！
- 逻辑回归处理更复杂的分类任务1
需要画分界线，将p（x）中的x变成了函数g（x），如果g（x）>0 ，则输出方形；如果g（x）<0，则输出三角形
- 逻辑回归处理更复杂的分类任务2
g（x）大于0，小于0，等于0分别对应值在圆圈外，圆圈内，圆圈上
通过以上两个复杂任务的探索，可以知道：
逻辑回归结合多项式边界函数可解决复杂的分类问题
模型求解的核心，在于寻找到合适的多项式边界函数
- 因此求解边界函数变成了主要的问题
求解边界函数（可以理解为找到回归方程，但输出的未必是一条直线，而是分界线），需要用到损失函数J来判断预测值和实际值的偏差程度：
求损失函数J（判断预测值和实际值的偏差程度），由原来计算一元线性回归时计算预测yi值与实际y值差的平方和变成了如下图的公式，此时yi就是实际要判断出来值（不是机器预测的值），而-log（p(x)）、-log（1-p(x)）就是对p（x）这个预测值计算出损失函数J
P（x）就是刚刚的逻辑函数，公式为：
输出的是偏向0或1的值
- 损失函数J计算值的解释
如果y=1，而p（x）=1，则计算出的J=0
如果y=1，而p（x）=0（说明预测错了），则计算出的J会很大，即损失值很大
同理，对于要测出的实际值是0，如果y=0，而p（x）=1，则计算出的J=0，是符合的
如果y=0，而p（x）=1（说明预测错了），则计算出的J会很大，即损失值很大，也是符合我们的预期判断的
- 损失函数有关计算汇总
损失函数的两个公式可以整合成一个，也是合理的，当yi=0时，yi*log（p（x））就会=0，而恰好log（1-P（x））就可以输出值；当yi=0时，同理可得，也能得到相应的值
未完待续……
标签：yi,输出,判断,机器,函数,python,回归,分类,计算 来源： https://blog.csdn.net/weixin_55579895/article/details/122569563
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。