【机器学习笔记】：从零开始学会逻辑回归（一）(4)

最后将求得的梯度带入迭代公式中，即为：

注意：公式中，i 代表样本数，j 代表特征数。

其实，常用梯度下降有三个种方法，可以根据需要选择，分别是：批量梯度下降（BGD），随机梯度下降（SGD），small batch梯度下降。具体不进行介绍。

▍逻辑回归的优缺点

优点：

1. 直接对分类可能性进行建模，无需实现假设数据分布，这样就避免了假设分布不准确所带来的问题。

2. 形式简单，模型的可解释性非常好，特征的权重可以看到不同的特征对最后结果的影响。

3. 除了类别，还能得到近似概率预测，这对许多需利用概率辅助决策的任务很有用。

缺点：

1. 准确率不是很高，因为形式非常的简单，很难去拟合数据的真实分布。

2. 本身无法筛选特征。

我认识的一个婆婆,一个奶奶. 一个买天年的水机用了4000多元,一个用了10,000多元.还买了天年的床上用品,价钱全是6000元以上.还有好多老人当下买了好多. 我的心里觉得不太相信,隐隐不安.真希望所有的天年产品真的有那么好. 都是真的产品,有用的产品.希望所有是好的. 所有质量和功能都像她们说的那么好就好了.老人家的辛辛苦苦地工作一辈子, 都希望自己健康,那些退休金 来的也不容易.所以想帮她们问一问,天年到底是个什么性质的公司。为实现“学以致用”的目标，课程采用“嵌入式实战学习法”（内训授课+实战工具+情景练习+总结辅导）一体化课程设计（这种培训要求老师不仅能授课，又能做实战业务指导，对师资水平是一个很大的挑战。常见的回归算法包括：最小二乘法（ordinary least square），逻辑回归（logistic regression），逐步式回归（stepwise regression），多元自适应回归样条（multivariate adaptive regression splines）以及本地散点平滑估计（locally estimated scatterplot smoothing）。大数据风控的基本思路在于依靠不同个人特征数据，通过非线性逻辑回归、决策树分析等方法，建立数据风控模型和评分卡体系，从而掌握不同客户对应的违约率，然后将其应用到审批决策的业务流程中，指导风控审批业务开展。

如果有任何问题，欢迎指正和补充，

另外欢迎点赞和转发支持！

参考：

机器学习，周志华

https://blog.csdn.net/yinyu19950811/article/details/81321944

https://www.cnblogs.com/pinard/p/6029432.html

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-94514-4.html