标签：style 方法 自己 联系 来源 一个 选择 height 逻辑
使用线性模型进行回归学习，但若要做分类任务该怎么办呢？答案蕴含在广义线性模型中：只需要找一个单调可微的函数将分类任务的真实标记y与线性回归模型的预测值联系起来。
对数几率函数是一个常用的替代函数：
该函数的图像如下图（来源：维基百科）：
对数几率函数又称作“sigmoid函数”，将z值转化为一个接近0或1的y值。
二、逻辑会回参数求解过程
三、Logistic Regression的适用性
1） 可用于概率预测，也可用于分类。
并不是所有的机器学习方法都可以做可能性概率预测（比如SVM就不行，它只能得到1或者-1）。可能性预测的好处是结果又可比性：比如我们得到不同广告被点击的可能性后，就可以展现点击可能性最大的N个。这样以来，哪怕得到的可能性都很高，或者可能性都很低，我们都能取最优的topN。当用于分类问题时，仅需要设定一个阈值即可，可能性高于阈值是一类，低于阈值是另一类。
2） 仅能用于线性问题
只有在feature和target是线性关系时，才能用Logistic Regression（不像SVM那样可以应对非线性问题）。这有两点指导意义，一方面当预先知道模型非线性时，果断不使用Logistic Regression； 另一方面，在使用Logistic Regression时注意选择和target呈线性关系的feature。
3） 各feature之间不需要满足条件独立假设，但各个feature的贡献是独立计算的。
逻辑回归不像朴素贝叶斯一样需要满足条件独立假设（因为它没有求后验概率）。但每个feature的贡献是独立计算的，即LR是不会自动帮你combine 不同的features产生新feature的 (时刻不能抱有这种幻想，那是决策树,LSA, pLSA, LDA或者你自己要干的事情)。举个例子，如果你需要TF*IDF这样的feature，就必须明确的给出来，若仅仅分别给出两维 TF 和 IDF 是不够的，那样只会得到类似 a*TF + b*IDF 的结果，而不会有 c*TF*IDF 的效果。
学习线性模型的步骤：
1.构造预测函数。
2.找到损失函数。最小二乘法，最大似然估计法，贝叶斯估计，矩估计法
3.通过损失函数找到最小误差的最优解。梯度下降法
参考：http://www.cnblogs.com/junneyang/p/5262064.html
标签：style 方法 自己 联系 来源 一个 选择 height 逻辑
原文地址：http://www.cnblogs.com/wang-yufan/p/7475941.html
