逻辑回归——机器学习（图解、理论与Python实践）

目录

前言

一、Sigmoid函数（核心）

二、确定最佳回归系数

三、思路总结

四、用Python实现逻辑回归算法

前言

尽管'逻辑回归'一词包含了'回归'的意思，在实际应用中它被归类为一种经典的二分类方法。在选择机器学习算法时，默认情况下我们会优先考虑的是逻辑回归方法。然而，在机器学习领域并非所有情况都适用复杂模型……相反地，则要求我们的模型具备三个关键特征：简单性、高效性以及通俗易懂

说这个算法经典是因为其范围较广的应用领域以及相对简单明了且表现优秀的特性。因此，在面对分类问题时，许多大公司通常会选择建立一个基准模型（例如，在开发复杂系统时...）。这个基准模型（如逻辑回归）常被用来作为起点进行测试与优化，并在此基础上尝试替换成其他算法。如果后续尝试其他算法后发现性能提升，则采用这些改进方案或替代算法；若效果不如或持平，则无需继续探索）。因此，在构建机器学习模型时，默认选择的基础分类方法通常是逻辑回归。

实际上不仅限于处理二元分类问题

一、Sigmoid函数（核心）

在逻辑回归这一部分内容中, 为什么需要提及sigmoid函数? 为了满足这个疑问, 你就可以继续阅读下面的内容了.

在逻辑回归模型中我们的目标是：能够处理所有可能的输入数据并进行分类。例如，在二元分类问题中该分类器将输出值限定在0或1之间。人们普遍了解的具