ToB企服应用市场:ToB评测及商务社交产业平台

标题: 逻辑回归和分类评估指标知识点总结 [打印本页]

作者: 汕尾海湾 时间: 2024-10-16 08:00
标题: 逻辑回归和分类评估指标知识点总结
逻辑回归-logic regression

       概念:

              解决二分类问题, 逻辑回归的输入是线性回归的输出
       原理:

              将线性回归的输出作为逻辑回归的输入, 然后通过激活函数的处置惩罚, 以将线性回归的输出映射到一段限定区间内,
              通过设置阈值(临界值)来对线性回归的映射输出进行二分类, 即分成两类(根据阈值, 一刀两断)
              激活函数:

                     sigmoid函数:
                            将线性回归的输出映射到[0,1]区间内(有点把分数进行折合的意思呀)
                            然后设置阈值(分界点)进行分类判定
              丧失函数:

                     对数似然丧失
                            借助log头脑, 将真实值(映射值)划分成为0/1两种环境
              优化:

                     提升原本属于1类别的概率, 降低原本属于0类别的概率
       api:

              sklearn.linear_model.LogisticRegression()
              注意:
                     回归算法, 分类算法的api偶然候是可以肴杂使用的
分类评估指标

       前置知识-肴杂矩阵:

              真正例(TP)
              伪反例(FN)
              伪正例(FP)
              真反例(TN)
       精确率+召回率+F1-score:

              精确率:

                     (TP+FP)/(TP+FN+FP+TN)
              精确率--查的准不准

                     TP/(TP+FP)
              召回率-查的全不全

                     TP/(TP+FN)
              F1-score

                     反应模型的稳健性
              api:

                     sklearn.metrics.classification_report
                     参数:
                            y_true:目的值的真实值
                            y_predict:目的值的猜测值
       roc曲线和auc指标:

              roc曲线:

                     通过tpr和fpr来进行图形绘制, 然后绘制之后, 形成一个指标auc
              auc:

                     越接近1, 效果越好
                     越接近0, 效果越差
              api:

                     sklearn.metrics.roc_auc_score
                     参数:
                            y_true:目的值的真实值
                            y_predict:目的值的猜测值

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/)