首先，我們來介紹壹些關於Logistic回歸的知識。邏輯回歸的英文是logistic regression。壹般來說，logistic回歸是壹種判別模型，伴隨著許多正則化方法，如L0，L1，L2等。當然，我們不必擔心我的特征是否相關，因為我們使用的是樸素貝葉斯。與決策樹和SVM相比，該算法將得到更好的概率解釋。當然，我們可以很容易地用新數據更新模型，例如，使用在線梯度下降算法。如果我們需要壹個概率框架，比如簡單地調整分類閾值，表示不確定性，或者獲得置信區間，或者我們希望在未來快速地將更多的訓練數據整合到模型中，我們可以使用這個算法。
那麽logistic回歸算法的優勢在哪裏呢？其實邏輯回歸的優勢體現在五點。首先是實現簡單，在工業問題中應用廣泛。第二是計算量很小，速度很快，存儲資源低。三是觀察樣本的方便概率得分。第四，對於logistic回歸，多重* * *線性不是問題，結合L2正則化可以解決。第五是計算成本不高，容易理解和實現。
當然，logistic回歸的缺點也非常明顯。同樣，體現在五點上。第壹，當特征空間較大時，logistic回歸的性能不是很好。第二是容易欠擬合，壹般精度不會太高。第三是它不能很好地處理大量的多類特征或變量。第四個缺點是只能處理兩個分類問題，而且必須是線性可分的。第五個缺點是需要變換非線性特征。
那麽logistic回歸的應用領域有哪些呢？logistic回歸的應用領域還是比較廣泛的。比如可以在二元分類字段中使用logistic回歸，得到概率值，適用於按照分類概率排序的字段，比如搜索排序等。logistic回歸的擴展softmax可用於多分類領域，如手寫識別等。當然，在信用評估中也會用到logistic回歸，logistic回歸可以衡量營銷的成功與否。當然，妳也可以預測壹個產品的收益。最後壹個功能比較有意思，就是可以預定某壹天是否會發生地震。
本文介紹了機器學習中logistic回歸算法的相關知識，從中介紹了logistic回歸算法的優缺點及其應用領域。相信大家通過這篇文章可以更好的理解logistic回歸算法。