【带你快速了解人工智能开发机器学习基础课程第十八周】

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

提示：这里可以添加本文要记录的大概内容：

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

#博学谷IT学习技术支持#

一、逻辑回归概述

逻辑回归可以用于解决常见的分类问题，也是解决分类中常用的一种算法。在本章节学习到的内容如下：

理解逻辑回归的原理
理解分类的评估指标
掌握类别不平衡数据的解决方法

二、逻辑回归介绍

1. 逻辑回归的应用场景¶
   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

广告点击率
是否为垃圾邮件
是否患病
信用卡账单是否会违约
看到上面的例子，我们可以发现其中的特点，那就是都属于两个类别之间的判断。逻辑回归就是解决二分类问题的利器

2. 逻辑回归的原理¶
   要想掌握逻辑回归，必须掌握两点：

逻辑回归中，其输入值是什么

如何判断逻辑回归的输出
输出结果解释(重要)：假设有两个类别A，B，并且假设我们的概率值为属于A(1)这个类别的概率值。现在有一个样本的输入到逻辑回归输出结果0.55，那么这个概率值超过0.5，意味着我们训练或者预测的结果就是A(1)类别。那么反之，如果得出结果为0.3那么，训练或者预测结果就为B(0)类别。

关于 逻辑回归的阈值是可以进行改变的 ，比如上面举例中，如果你把阈值设置为0.6，那么输出的结果0.55，就属于B类。

在之前，我们用均方误差来衡量线性回归的损失

在逻辑回归中，当预测结果不对的时候，我们该怎么衡量其损失呢？

三、损失以及优化

同样使用梯度下降优化算法，去减少损失函数的值。这样去更新逻辑回归前面对应算法的权重参数，提升原本属于1类别的概率，降低原本是0类别的概率。

四、小结

逻辑回归概念

解决的是一个二分类问题
逻辑回归的输入是线性回归的输出
逻辑回归的原理

输入：线性方程
激活函数：sigmoid函数，把线性方程的值域映射到[0,1]，再设置一个阈值，进行分类判断
逻辑回归的损失和优化

损失：对数似然损失
优化：提升原本属于1类别的概率，降低原本是0类别的概率

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了逻辑回归