Рубрики
Разработчикам

​​Логистическая регрессия Логистическая…

​​Логистическая регрессия

Логистическая регрессия ограничена линейной регрессией с нелинейностью (в основном используется сигмоидальная функция или tanh) после применения весов, следовательно, ограничение выходов приближено к + / — классам (что равно 1 и 0 в случае сигмоида). Функции кросс-энтропийной потери оптимизированы с использованием метода градиентного спуска.
Примечание для начинающих: логистическая регрессия используется для классификации, а не регрессии. В целом, она схожа с однослойной нейронной сетью. Обучается с использованием методов оптимизации, таких как градиентный спуск или L-BFGS. NLP-разработчики часто используют её, называя “классификацией методом максимальной энтропии”.

На рисунку изображен сигмоид.

Используйте LR для обучения простых, но очень “крепких” классификаторов.
Полезная ссылка:
sklearn.linear_model.LogisticRegression
Вводный гайд:
Логистическая регрессия | классификация