概述
作为基础的、高度可解释的分类算法，它很重要。
深入探讨
尽管它的名字如此，逻辑回归是一种分类方法，而不是回归方法。它计算输入特征的加权和，然后将该值传递给 sigmoid（逻辑）函数，该函数将任何数字映射到 0 到 1 之间的概率。如果概率跨越阈值（通常为 0.5），则该点被标记为正。该模型通过最小化对数损失（交叉熵）来学习其权重，这会严重惩罚自信的错误预测。主要优势是可解释性：每个权重都会告诉您某个特征如何改变结果的对数赔率，因此您可以了解哪些因素推动预测向上或向下。多类版本使用 softmax 函数扩展它。
现实世界的实施
垃圾邮件过滤：根据单词和发件人特征估计邮件是垃圾邮件的概率。
信用评分：通过透明的权重贡献来预测贷款申请人违约的可能性。
医疗风险预测：根据测试值和症状估计患者患病的可能性。
营销流失模型：预测客户下个月是否会取消订阅。
逻辑回归的未来
逻辑回归经久不衰，因为它快速、透明，并且是衡量更高级模型的强大基线。在金融和医药等受监管领域，其可解释性使其在黑盒模型面临审查的领域得到积极使用。它也存在于现代神经网络内部：带有 sigmoid 或 softmax 的最终分类层本质上是逻辑回归，因此理解它是深度学习的门户。
付诸实践
为什么这很重要
- 更清晰的判决. 它可以帮助您将清晰的技术声明与营销语言分开。
- 成本与预算. 在花费金钱或时间之前，您可以提出更好的实施问题。
- 团队与工作流程. 具有共同理解的团队可以做出更好的产品、政策和学习决策。
留意
- 不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
- 基准测试可能看起来很强大，但实际性能却参差不齐。
- 忽视数据质量和评估计划通常会产生脆弱的结果。
后续步骤
- 从您需要的结果的简单语言定义开始。
- 在测试之前选择一种成功指标和一种失败条件。
- 使用代表性数据运行小型试点，而不是完善的演示集。
- 记录逻辑回归在哪些方面有帮助以及在哪些方面更简单的方法更好。
不断探索
常见问题
什么是逻辑回归？
逻辑回归通过 S 形曲线压缩加权和来预测某物属于某个类别（例如垃圾邮件或非垃圾邮件）的概率。作为基础的、高度可解释的分类算法，它很重要。
尽管有它的名字，逻辑回归实际上是用来做什么的？
逻辑回归输出概率并用于将项目分类为离散类别，例如垃圾邮件与非垃圾邮件。
sigmoid（逻辑）函数在模型中起什么作用？
sigmoid 将线性分数压缩到 0 到 1 的范围内，因此输出可以被解读为概率。
逻辑回归在训练过程中最小化哪个损失函数？
逻辑回归是通过最小化交叉熵来训练的，这会强烈惩罚自信但错误的概率估计。
为什么逻辑回归重视可解释性？
学习到的系数具有明确的含义：每个系数都反映了其特征的每单位对数优势的变化，通常表示为优势比。
逻辑回归通常如何将概率转化为类别标签？
如果预测概率超过阈值（通常为 0.5），则该点被标记为正；否则为负。