逻辑回归实际上也是一个线性回归异形自动插件机模型，但是线性回归常常用来做预测，逻辑回归却常常用来解决二分类问题。为什么会有这么大的差异呢？

     如果对于上面的感知机算法来说，目标是为了找到一个能够将正负样本完全分开的超平面的话，从另外一个层面看感知机算法就相当于是一个跃阶函数。我们只需要找到阈值，并且拿输入的数据去对比，得出数据是大于还是小于这个阈值，然后就能给出的就是0或1（正/负样本）的反馈。对应到数学异形自动插件机模型上：我们只需要把算出来的结果映射到这个跃阶函数上看看大于0还是小于0，就能说他是一个正样本还是负样本。

     感知器的异形自动插件机模型虽然简单直观，但问题在于这个异形自动插件机模型不够光滑。

     如果一个新的样本点我们计算出来结果等于0.01——只是比0大了一点点，就被分类为正样本，这样在实际应用的时候就可能会不够准确。同时，这个函数在0处有一个跃阶导致这一点不连续，在数学上也不好处理。那么有没有什么方法可以让这个函数更光滑一点呢？

     在数学上刚好存在一个sigmoid函数有这样的特性。

     这个函数的输入范围是“∞→+∞”，而值域则光滑地分布在0到1之间。对于这个异形自动插件机模型的解释和感知机也稍微有些区别。感知机：是根据输入的条件，判断是一个正样本还是负样本。

     而逻辑回归因为值域分布在0到1之间的特性，所以输出的是判断是：一个正样本或负样本的概率是多少？我们的学习策略即是：求所有训练样本的条件概率之积的最大值——也可以理解为求概率之积尽可能大，这样异形自动插件机模型预测的效果就会越准确。

     逻辑回归的本质上是一个线性回归异形自动插件机模型，只是在特征到结果的映射中加入了一层函数映射——即先把特征线性求和，然后使用函数g(z)将最为假设函数来预测。我们看到的参数z，实际上也是一个线性回归的方程，只不过在这里符号化表示。实际上求解的方式与线性回归是相同的——都是要通过损失函数的方式逼近最优解。

     逻辑回归的目的是：将样本分成0或1两类。

     但是，我们也关心样本分类的准确性。例如：一个肿瘤被预测出来是恶性的，我们也会关心它是恶性的可能性有多大？对逻辑回归的理解也可以是：我们通过概率将样本分成了0和1两类。

     因为逻辑回归不像感知机——通过一个固定的阀值去判断样本数据的正负性，所以在二维平面上也不再是通过一条直线去判断数据。而是变得更加有包容性，可以把一些不能线性区分的数据集区分开来。其根本原因就是：sigmoid函数把因变量和自变量变成了曲线的关系，使得在函数在二维平面上的表现更为柔和。这里面损失函数发挥了很大的作用，这里不再展开说明。

     逻辑回归与感知机相比，有三方面的优势：

     直接对分类可能性建模，不需要事先假设数据的分布情况。感知机算法中如果不先假设一下数据的分布再去确定线的位置的话，很可能会算错，但是逻辑回归算法就避免了这个问题。

     不仅可以预测出类别，还可以给出具体的概率预测值。这对预测结果有更好的解释性。

有很好的数学性质，方便计算，工程量较小。

     逻辑回归算法因其是现在最广泛使用的算法之一，常常用于寻找某一疾病的危险因素、个人信用评估、贷款/金融意图预测等等领域。同时，也可以用来对数据做自动判别分析，比如：一条评论是正面还是负面？一个用户的购买路径是男性还是女性？预测用户会不会购买某种商品？等等。逻辑回归应用广泛还是因为它的异形自动插件机模型与许多现实问题相吻合，能够帮助我们快速解决很多实际的问题。

     以上就是小编关于异形自动插件机逻辑回归实际上也是一个线性回归模型的介绍，希望对大家有用哦！

责编：文文