概念

logistic回歸又稱logistic回歸分析，是一種廣義的線性回歸分析模型，常用于數據挖掘，疾病自動診斷，經濟預測等領域。例如，探討引發疾病的危險因素，并根據危險因素預測疾病發生的概率等。

實現原理

百科解釋：
原理：如果直接將線性回歸的模型扣到Logistic回歸中，會造成方程二邊取值區間不同和普遍的非直線關系。因為Logistic中因變量為二分類變量，某個概率作為方程的因變量估計值取值范圍為0-1，但是，方程右邊取值范圍是無窮大或者無窮小。所以，才引入Logistic回歸。


logistic回歸是一種廣義線性回歸（generalized linear model），因此與多重線性回歸分析有很多相同之處。它們的模型形式基本上相同，都具有 w‘x+b，其中w和b是待求參數，其區別在于他們的因變量不同，多重線性回歸直接將w‘x+b作為因變量，即y =w‘x+b，而logistic回歸則通過函數L將w‘x+b對應一個隱狀態p，p =L(w‘x+b),然后根據p 與1-p的大小決定因變量的值。如果L是logistic函數，就是logistic回歸，如果L是多項式函數就是多項式回歸。


個人理解：
通過找到一個函數來確定某件事情發生的概率。
在線性回歸中等號的左右兩邊都是一個無窮的數，于是引入一個函數來調整因變量的值，假如引入的是logistic函數就是logistic回歸，假如是多項式則是多項式回歸。

建模的數學支撐

而后算法和線性回歸一樣

建模過程

• 對特征進行再次篩選
• 訓練篩選特征的函數
• 篩選出好的特征
• 用賽選后的特征訓練模型
• 選出最高模型正確率。

#-*- coding: utf-8 -*- #邏輯回歸 自動建模 import pandas as pd import sklearn#參數初始化 filename = '../data/bankloan.xls' data = pd.read_excel(filename) x = data.iloc[:,:8].as_matrix() y = data.iloc[:,8].as_matrix()from sklearn.linear_model import LogisticRegression as LR from sklearn.linear_mode import RandomizedLogisticRegression as RLR rlr = RLR() #建立隨機邏輯回歸模型，篩選變量 rlr.fit(x, y) #訓練模型 rlr.get_support() #獲取特征篩選結果，也可以通過.scores_方法獲取各個特征的分數 print(u'通過隨機邏輯回歸模型篩選特征結束。') print(u'有效特征為：%s' % ','.join(data.columns[rlr.get_support()])) x = data[data.columns[rlr.get_support()]].as_matrix() #篩選好特征lr = LR() #建立邏輯貨柜模型 lr.fit(x, y) #用篩選后的特征數據來訓練模型 print(u'邏輯回歸模型訓練結束。') print(u'模型的平均正確率為：%s' % lr.score(x, y)) #給出模型的平均正確率，本例為81.4%

總結

以上是生活随笔為你收集整理的Logistic回归模型原理的全部內容，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。