[博学谷学习记录]超强总结，用心分享|人工智能机器学习基础知识逻辑回归总结分享

目录

一.逻辑回归基本介绍

二.逻辑回归的优缺点

三.逻辑回归的适用性

---

一.逻辑回归基本介绍

逻辑回归（Logistic Regression）是机器学习中的 一种分类模型 ，逻辑回归是一种分类算法，虽然名字中带有回归。由于算法的简单和高效，在实际中应用非常广泛，可以用于垃圾邮件分类，是否患病，信用卡是否会违约等，逻辑回归最终的分类是通过属于某个类别的概率值来判断是否属于某个类别，并且这个类别默认标记为1(正例),另外的一个类别会标记为0(反例)。（方便损失计算）

二.逻辑回归的优缺点

优点：
        1.形式简单，模型的可解释性非常好。从特征的权重可以看到不同的特征对最后结果的影响，某个特征的权重值比较高，那么这个特征最后对结果的影响会比较大。
        2.训练速度较快。分类的时候，计算量仅仅只和特征的数目相关。并且逻辑回归的分布式优化sgd发展比较成熟，训练的速度可以通过堆机器进一步提高
        3.资源占用小,尤其是内存。因为只需要存储各个维度的特征值。方便输出结果调整。

---

缺点：
        1.准确率并不是很高。因为形式非常的简单，很难去拟合数据的真实分布。很难处理数据不平衡的问题。
        2.处理非线性数据较麻烦。逻辑回归在不引入其他方法的情况下，只能处理线性可分的数据，或者进一步说，处理二分类的问题 。
        3.逻辑回归本身无法筛选特征。有时候，我们会用gbdt来筛选特征，然后再上逻辑回归。

三.逻辑回归的适用性

(1)用于概率预测。在可能性预测时，得到的结有可比性。比如根据模型进而预测在不同的自变量情况下，发生某事或某种情况的概率。
(2)用于分类。实际上跟预测有些类似，也是根据模型预测某人属于某种情况的概率。
进行分类时，仅需要设定一个间值即可，可能性离于值的是一类，低于值的是另一类(3)寻我危险因素。寻找某一疾病的危险因素等。
(3)仅能用于线性问题。只有当目标和特征是线性关系时，才能用逻辑回归。在应用辑回归时，应注意选择和目标为线性关系的特征。
(4)各特征之间不需要满足条件独立假设，但各个特征的贡献独立计算。