R语言机器学习算法实战系列(八)逻辑回归算法 (logistic regression)
禁止商业或二改转载,仅供自学使用,侵权必究,如需截取部分内容请后台联系作者!
文章目录
-
- 介绍
-
- 教程
- 下载数据
- 加载R包
- 导入数据
- 数据预处理
- 数据描述
- 数据切割
- 构建模型
- 预测测试数据
- 评估模型
-
- 模型准确性
- 混淆矩阵
- 模型评估指标
- ROC Curve
- PRC Curve
- 特征的重要性
- 保存模型
- 总结
- 系统信息
介绍
逻辑回归分类算法的原理是基于概率的,它通过估计一个给定输入样本属于某个类别的概率来进行分类。下面是逻辑回归算法的原理和步骤:
原理:
- 线性假设:逻辑回归假设特征和输出之间存在线性关系。对于二分类问题,我们想要预测的是一个概率值,即样本属于某个类别的概率。
- Sigmoid函数:为了将线性回归的输出转换为概率值(一个介于0和1之间的值),逻辑回归使用Sigmoid函数。
- 对数几率(Log-odds):Sigmoid函数的输入是对数几率,即特征的线性组合。对数几率表示的是特征和类别标签之间的