机器学习 | LR逻辑回归模型

逻辑回归（Logistic Regression，简称LR）

名为“回归”却是用来分类工作、在线性数据上表现优异的分类器。

核心思想是把原线性回归的取值范围通过Logistic函数映射到一个概率空间，从而将一个回归模型转换为一个分类模型。

主要通过寻找最优参数来正确地分类原始数据。

逻辑回归数学目的：求解能够让模型对数据拟合程度最高的参数

\Theta

的值，从此构建预测函数y(x)，然后将特征矩阵输入预测函数来计算出逻辑回归的结果y。

逻辑回归是一个受工业商业热爱、使用广泛的模型，因为它有着不可替代的优点：

1、逻辑回归对线性关系的拟合效果好到丧心病狂，特征与标签之间的线性关系极强的数据，如金融领域中的信用卡欺诈，评分卡制作，电商中的营销预测等等相关的数据，都是逻辑回归的强项。逻辑回归在金融领域，尤其是银行业中的统治地位依然不可动摇。

2、逻辑回归计算速度快：对于线性数据，逻辑回归的拟合和计算都非常快，计算效率优于SVM和随机森林，在大型数据上区别尤其明显。

3、逻辑回归返回的分类结果不是固定的0或1，而是以小数形式呈现的类概率数字，因此可以把逻辑回归返回的结果当成连续型数据来利用。比如在评分卡制作时，不仅需要判断客户是否会违约，还需要给出确定的“信用分”，信用分可使用类概率计算出的对数几率。

另外，逻辑回归还有抗噪能力强的优点。

逻辑回归应用

逻辑回归适合用来学习需要大规模训练的样本和特征，对于广告亿量级特征来说，逻辑回归有着天然的优势ÿ