本篇内容主要讲解“Logistic回归怎么实现”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“Logistic回归怎么实现”吧!
Logistic回归，通过估计事件发生的对数概率来对事件发生的概率进行建模。如果我们假设对数比值和 j 个自变量之间存在线性关系，那么我们可以将事件发生的概率p建模为：
你可能注意到未指定对数底。对数的底数其实并不重要，回想一下，如果我们把两边都乘以logk b，我们可以把底数b改成任何新的底数k。
这使我们可以灵活地假设左侧的底数。当然，底数会影响对结果和系数值的解释。
如果我们有估计系数，就很容易分离出p。注意，p/(1-p)表示事件发生的概率。
我们将用另一个例子来解释说明。房地产经纪人吉姆(Jim)训练了一个逻辑回归模型来预测某人出价买房的可能性。他通过使用两个解释变量来保持他的模型的简洁性:
x1:潜在客户拜访房子的次数
这栋房子的要价是几千美元
在使用程序确定最优系数后，Jim为他的模型推导出这些系数:
Jim的模型告诉我们:
潜在买家每多一次拜访，平均概率自然对数增加2
房屋每增加1000美元，平均概率的自然对数下降0.002
听起来很拗口，而且很难听懂。我们可以用一个更简单的技巧来解释。
我们可以计算e的2次方和-0.002次方的值来简化解释。
潜在买家平均每增加一次造访的时间，他提出报价的概率就会增加约7.39倍
房屋每增加1000美元，平均出价的概率会受到0.998倍的影响
如果吉姆的客户，Sue，参观了一次房子，房子价值100万美元，那么我们可以用上面推导出的公式来估计她购买房子的概率。
这表明Sue有大约4%的概率出价买下这所房子。
尽管logistic回归是一种回归模型，但它经常被用于分类。概率总是在0和1之间。我们可以设置一个任意的阈值来预测观察到的类别。
我们还可以将logistic回归扩展为两个以上的分类器，使其成为一个多类分类器。为此，我们可以采取“ 一对一”的方法，即训练尽可能多的逻辑回归模型（每个模型预测一个类别的对数概率），并采用产生最高推断概率的类别。
到此，相信大家对“Logistic回归怎么实现”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
