大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺
- 分类模型
- 本质上是线性回归模型
- 优化目标
J ( θ ) = ∑ − y i l o g ( h ( θ T x i ) ) − ( 1 − y i ) l o g ( 1 − h ( θ T x i ) ) J(\theta) = \sum -y_ilog(h(\theta^Tx_i))-(1-y_i)log(1-h(\theta^Tx_i)) J(θ)=∑−yilog(h(θTxi))−(1−yi)log(1−h(θTxi)),最小化
其中 h ( θ T x ) = 1 1 + e − θ T x h(\theta^Tx) = \frac{1}{1+e^{-\theta^Tx}} h(θTx)=1+e−θTx1，是sigmoid函数
linear regression和logistic regression都属于广义线性模型，linear regression是将高斯分布放在广义线性模型下推导得到的，logistic regression是将伯努利分布放在广义线性模型下推导得到的，softmax regression是将多项式分布放在广义线性模型下推导得到的。
推导请见：
https://www.zhihu.com/question/35322351/answer/67117244
LR和linear SVM的异同
同：
- 都是线性分类器，模型求解的是超平面
- 都是监督学习算法
- 都是判别模型
异：
-
本质上loss function不同,LR采用logistic loss，SVM采用hinge loss
-
SVM只考虑支持向量，而LR考虑所有数据，因此如果数据strongly unbalanced，一般需要对数据做balance
-
LR基于概率理论，SVM基于几何间隔最大化原理。因此LR的输出具有概率意义，SVM的输出没有概率意义。
-
在解决非线性问题时，SVM采用核函数的机制，LR通常不采用核函数的方法（每个样本点都要参与核计算，计算量太大）
-
SVM依赖数据表达的距离测度，所以需要对数据进行标准化。不带正则项的LR不受影响，但是使用梯度下降法求解时，为了更好的收敛，最好进行标准化。
-
SVM自带正则，LR需要添加上正则项
-
根据经验来看，对于小规模数据集，SVM的效果要好于LR，但是大数据中，SVM的计算复杂度受到限制，而LR因为训练简单，可以在线训练，所以经常会被大量采用
[1] https://www.cnblogs.com/zhizhan/p/5038747.html
[2] https://www.zhihu.com/question/26768865/answer/34048357
[3]https://blog.csdn.net/haolexiao/article/details/70191667
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/183845.html原文链接：https://javaforall.net
