ML之LoR：逻辑回归LoR算法的简介、应用、经典案例之详细攻略
目录
逻辑回归LoR算法的简介
1、LOR算法在经过严密的数据预处理后效果会非常好
2、LoR模型的优缺点
逻辑回归LoR算法的应用
1、逻辑回归可视化
逻辑回归LoR算法的经典案例
逻辑回归LoR算法的简介逻辑回归最适合二进制分类（y = 0或1的数据集，其中1表示默认类）。例如：在预测事件是否发生时，发生的事件被分类为1。在预测人会生病或不生病，生病的实例记为1）。它是以其中使用的变换函数命名的，称为逻辑函数h(x) =1 / （1+e-x），它是一个S形曲线。 在逻辑回归中，输出是以缺省类别的概率形式出现的。因为这是一个概率，所以输出在0-1的范围内。输出（y值）通过对数转换x值，使用对数函数h(x) = 1 /（1+e-x）来生成。然后应用一个阈值来强制这个概率进入二元分类。
上图判断了肿瘤是恶性还是良性。默认变量是y = 1（肿瘤=恶性）；x变量可以是肿瘤的信息，例如肿瘤的尺寸。如图所示，逻辑函数将数据集的各种实例的x值转换成0到1的范围。如果概率超过阈值0.5（由水平线示出），则将肿瘤分类为恶性。
逻辑回归的目标是使用训练数据来找到系数b0和b1的值，以使预测结果与实际结果之间的误差最小化。这些系数是使用最大似然估计来计算的。
1、LOR算法在经过严密的数据预处理后效果会非常好作为最简单的分类算法，LoR逻辑回归，依然是工业界、金融界主流的分类算法之一。但是，要想让LoR发挥其最大效果，还必须要有一套科学的、严密的数据预处理流程。
2、LoR模型的优缺点模型
优势
劣势
LoR
简单直观：易于理解；
应用广：技术成熟且稳定；
可解释住强：系数表示该特征的权重大小；变量系数可以与业内知识做交叉验证，更容易让人信服；
易于检测和部署：易于发现问题。当模型效果衰减的时候，LoR模型能更好的查找原因；
不适用于非线性问题
相比较于DNN、XGboost，LoR准确度不高
逻辑回归LoR算法的应用 1、逻辑回归可视化
TF之LoR：基于tensorflow利用逻辑回归算LoR法实现手写数字图片识别提高准确率ML之LoR：LoR之二分类之线性决策算法实现根据两课成绩分数~预测期末通过率(合格还是不合格)ML之LoR：利用LoR二分类之非线性决策算法案例应用之划分正负样本
