logistic 回归

Logistic回归是一种二分类算法，它的主要思想是根据现有的数据点，对分类边界线建立回归公式，将这些点的分布大致符合这条线的轨迹，从而实现对新数据的分类。在Logistic回归中，我们需要一个函数，接受所有的输入然后预测出类别。例如，在数据只有两个类别的情况下，上述函数应该要输出0或1。为了实现Logistic回归分类器，我们可以在每个特征上都乘以一个回归系数，然后把所有的结果值相加，将这个总和代入sigmoid函数中，得到一个范围在0~1之间的数值。任何大于0.5的数据被分入1类，小于0.5即被归入0类。因此，Logistic回归也可以被看成是一种概率估计。

相关问题

Logistic回归分析之二元Logistic回归

二元Logistic回归是一种分类方法，用于预测离散的二元输出结果（例如：是/否，正/负）。它基于Logistic回归模型，并使用逻辑函数来模拟结果的概率。

二元Logistic回归在许多场景中很有用，如预测某个疾病的病因、分析一个客户是否会购买某种产品等。

通过分析训练数据，二元Logistic回归模型可以确定一组系数，这些系数可以用来对新的输入数据进行分类。在分类时，算法会根据输入数据和系数计算一个概率，该概率表示该数据属于正类的可能性。

总的来说，二元Logistic回归是一种简单而有效的分类算法，广泛应用于数据挖掘和机器学习领域。

二元logistic回归分析和多元logistic回归分析区别

二元logistic回归分析是一种用于解决二分类问题的回归分析方法，它假设因变量服从二项分布，通过对自变量与因变量之间的关系进行建模，得到一个逻辑函数（logistic function），从而预测新的观测值的类别。

多元logistic回归分析则是一种用于解决多分类问题的回归分析方法，它假设因变量服从多项分布，通过对自变量与因变量之间的关系进行建模，得到多个逻辑函数，从而预测新的观测值的类别。

因此，二元logistic回归分析与多元logistic回归分析在应用场景、模型假设和建模方法等方面都存在差异。