1線性回歸

利用大量的樣本D=(xi,yi)Ni=1 D=(xi?,yi?)i=1N?，通過有監督的學習，學習到由x到y的映射f
f，利用該映射關系對未知的數據進行預估，因為y為連續值，所以是回歸問題。

2正則化：模型選擇的典型方法是正則化（regularization）。正則化是結構風險最小化策略的實現，是在經驗風險上加一個正則化項（regularizer）或罰項（penalty term）。正則化項一般是模型復雜度的單調遞增函數，模型越復雜，正則化值就越大。比如正則化項可以是模型參數向量的范數.

3.線性回歸于邏輯回歸的區別：

線性回歸中，獨立變量的系數解釋十分明了，就是保持其他變量不變時，改變單個變量因變量的改變量。、 邏輯回歸中，自變量系數的解釋就要視情況而定了，要看選用的概率分布是什么，如二項式分布，泊松分布等

4.LR的應用和優缺點

LR是解決工業規模問題最流行的算法。在工業應用上，如果需要分類的數據擁有很多有意義的特征，每個特征都對最后的分類結果有或多或少的影響，那么最簡單最有效的辦法就是將這些特征線性加權，一起參與到決策過程中。比如預測廣告的點擊率，從原始數據集中篩選出符合某種要求的有用的子數據集等等。

優點：1）適合需要得到一個分類概率的場景。2）計算代價不高，容易理解實現。LR在時間和內存需求上相當高效。它可以應用于分布式數據，并且還有在線算法實現，用較少的資源處理大型數據。3）LR對于數據中小噪聲的魯棒性很好，并且不會受到輕微的多重共線性的特別影響。（嚴重的多重共線性則可以使用邏輯回歸結合L2正則化來解決，但是若要得到一個簡約模型，L2正則化并不是最好的選擇，因為它建立的模型涵蓋了全部的特征。）

缺點：1）容易欠擬合，分類精度不高。2）數據特征有缺失或者特征空間很大時表現效果并不好。

5.Sklearn參數

class sklearn.linear_model.``LogisticRegression(

penalty=’l2’,

dual=False,

tol=0.0001,

C=1.0,

fit_intercept=True,

intercept_scaling=1,

class_weight=None,

random_state=None,

solver=’warn’,

max_iter=100,

multi_class=’warn’,

verbose=0,

warm_start=False,

n_jobs=None,

總結

以上是生活随笔為你收集整理的Task2-18跬步的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。