Logistic回归百问

1. Logistic回归的优缺点

Logistic优点：

模型简单，速度快，适合二分类问题
简单易于理解，直接看到各个特征的权重
能容易地更新模型吸收新的数据

Logistic缺点：
Logistic是个弱分类器，对数据和场景的适应能力有局限性，不如决策树算法学习能力那么强

2. Logistic回归为什么选择交叉熵作为损失函数，而非平方损失

可以从两个方面解释解释这个问题：

局部极小值方面

如果使用平方损失，那么Logistic的损失函数会出现较多局部极小值，这样在模型迭代过程中，容易陷入较差的局部极小值，不利于模型迭代。
而交叉熵损失函数在此问题上性质相对较好，具体可参考如下：
逻辑回归算法之交叉熵函数理解

梯度消失方面

3. Logistic回归为什么选择使用sigmoid函数

sigmoid函数将输入值挤压到[0,1]区间，比较适合分类问题
sigmoid函数任意阶可导，并且一二阶导数不用求导，可以直接通过原sigmoid函数直接计算，性质优异，比较实用
广义模型推导所得
满足统计的最大熵模型

4. Logistic回归能做非线性分类吗

可以借助核技巧实现非线性分类，核技巧能将原始的线性输入空间映射为高维度非线性输入特征空间，就像SVM借助的高斯核。

5. Logistic回归为什么要对特征进行离散化

在工业界，很少直接将连续值作为特征喂给逻辑回归模型，而是将连续特征离散化为一系列0、1特征交给逻辑回归模型，这样做的优势有以下几点：

稀疏向量内积乘法运算速度快，计算结果方便存储，容易scalable（扩展）。
离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰。
逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合。
离散化后可以进行特征交叉，由M+N个变量变为M*N个变量，进一步引入非线性，提升表达能力。
特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问。
以上解释参考：逻辑回归LR的特征为什么要先离散化

Logistic回归百问相关推荐

超全大厂算法岗百问百答（推荐系统/机器学习/深度学习/C++/Spark/python）
之前在准备秋招的时候,每次看到牛客网上那些大神手握七八个大厂的offer,就羡慕到不行,那会儿自己的机器学习算法水平还没法搬上台面,顶多也就是看了几个课程.做了两个比赛的水平,然后比赛还没得到任何的名 ...
python做logistic回归_用Python做Logistic回归
为什么写这篇文章本人初学python,碰巧做的东西需要用一下Logistic回归,自觉这个很基础的东西应该已经有很多比较好的实现了,于是我就很自觉地问了下度娘.结果大囧==..出来的相关结果少得可怜 ...
浅谈Logistic回归及过拟合
判断学习速率是否合适?每步都下降即可.这篇先不整理吧... 这节学习的是逻辑回归(Logistic Regression),也算进入了比较正统的机器学习算法.啥叫正统呢?我概念里面机器学习算法一般是这 ...
[回归分析][14]--Logistic回归
[回归分析][14]--Logistic回归这应该是回归分析的最后一块知识点了.最后还会有一篇总结.那今天就好好讲一讲Logistic回归. Logistic回归是为了处理 y的值是0, ...
python logistic回归_logistic回归介绍与源码分析
1. 介绍(由线性模型引出logistic回归) 首先介绍一下什么是线性模型呢? 线性模型的定义如下:给定个属性描述的样本 , 代表样本在第个属性上的取值. 线性模型的目的是学习一个函数,它可以通 ...
Logistic回归和SVM的异同
这个问题在最近面试的时候被问了几次,让谈一下Logistic回归(以下简称LR)和SVM的异同.由于之前没有对比分析过,而且不知道从哪个角度去分析,一时语塞,只能不知为不知. 现在对这二者做一个对比分 ...
Machine Learning in Action 读书笔记---第5章 Logistic回归
Machine Learning in Action 读书笔记第5章 Logistic回归文章目录 Machine Learning in Action 读书笔记一.Logistic回归 1.L ...
Logistic回归-数学原理（1）机器学习实战
前言 : 这篇主要讲logistic回归,虽然名字上是回归,但很多时候我们都将他用于分类,由于这一章公式比较多,而且第一次遇到了最优化算法,所以本文大部分会放在相关数学公式的证明和理解上,代码实现部分 ...
手动绘制R语言Logistic回归模型的外部验证校准曲线（Calibration curve）（2）
校准曲线图表示的是预测值和实际值的差距,作为预测模型的重要部分,目前很多函数能绘制校准曲线. 一般分为两种,一种是通过Hosmer-Lemeshow检验,把P值分为10等分,求出每等分的预测值和实际值 ...