1）目的：將數(shù)據(jù)進行二分類
2）前提：假設數(shù)據(jù)符合伯努利分布
3）模型：sigmoid函數(shù)
4）損失函數(shù)：極大似然函數(shù) （為什么要用極大似然函數(shù)）
5）求解：梯度下降方法（其他優(yōu)化方法）
6）多分類問題
7）優(yōu)點
8）缺點
9）gbdt+lr（lr本身無法篩選特征）
邏輯回歸總結
?著作權歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時請結合常識與多方信息審慎甄別。
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務。
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時請結合常識與多方信息審慎甄別。
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務。
相關閱讀更多精彩內(nèi)容
- 機器學習是做NLP和計算機視覺這類應用算法的基礎，雖然現(xiàn)在深度學習模型大行其道，但是懂一些傳統(tǒng)算法的原理和它們之間...
- 1. RF, GBDT 的區(qū)別； GBDT,XGboost 的區(qū)別 GBDT在訓練每棵樹時候只能串行，不能并行，在...
