机器学习入门（2）：从QQ音乐推荐系统到逻辑回归

这篇文章从以下4个方面聊聊机器学习中的逻辑回归：

引子：QQ音乐推荐系统

决策面

逻辑回归

案例分析

「引子：QQ音乐推荐系统」

打开我的手机APP音乐，查看今日推荐歌单。歌手是最近常听的几位，QQ音乐还是有点懂我。

当我听到一首歌曲，我会从节奏、强度等特征判断是否喜欢。

在机器学习中，节奏、强度就是特征，喜欢or不喜欢是标签。

QQ音乐模拟人的决策过程，先从你的历史歌单中学习歌曲的特征（节奏、强度等），并将这些特征值输入到模型，模型就会建立特征和标签的关系。当下一首歌曲出现时，特征值会输入到模型中，从而返回喜欢or不喜欢，进而进行推荐。以上，这是QQ音乐的推荐系统的思路，当然实践会复杂很多。

「决策面」

我们再深入探讨上述的案例，模型判断歌曲喜欢or不喜欢是一个二分类问题。问题来了，喜欢or不喜欢有没有一个明确是界限。此时，我们引入决策面（decision surface, D.S.）的概念。上述案例中，只有两个特征：节奏和强度。给每一首歌的节奏和强度赋值，然后在二维坐标中画出散点图。黄色点代表喜欢，绿色点代表不喜欢。然而，红色点接近中间，如何判断呢？这时，如果有一个决策面，左边的为喜欢，右边的为不喜欢，那问题就显而易见了。

在机器学习中，处理分类问题的关键就是，将测试数据的标签和特征转化成一个决策面。机器学习中，有很多算法可以求得决策面。

如何预测模型的准确率，就要用正确率这个指标，正确率=正确分类个数/数据总数。注意，这里的数据集都是来自测试数据。

「逻辑回归」

逻辑回归（logistics regession）是一个典型的二分类问题，由于名字有误导性，它并非是一个回归问题。逻辑回归的标签只有两种类型，一般用0和1表示。它的核心是逻辑函数：

可以看出，通过逻辑函数，可以把y值的范围控制在0到1之间。当y≥0.5时，代表特征1，y

「案例分析」

案例：研究考试数据和考试是否能通过的关系

以下是用Python的jupter notebook实现的案例代码，截屏会更清晰一点

可以看出，测试数据的正确率为1，说明全部预测准确。

输入3小时，可以看到未通过的概率为44%，通过的概率为56%。

以上就是此次的内容，请走过路过的亲多多支持！

往期文章：《机器学习入门（1）：线性回归》

《首篇数据分析报告出炉》