在机器学习之逻辑回归介绍中，我们讨论了逻辑回归的概念以及其算法原理推导。
一、逻辑回归的概念
逻辑回归又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，经济预测等领域。逻辑回归从本质来说属于二分类问题，是基于Sigmoid函数（又叫“S型函数”）的有监督二类分类模型。
二、Sigmoid函数
Sigmoid函数公式为：
其导数形式为：（注意，导数形式在后期会被用到）
Sigmoid函数其图像如下所示，其取值范围被压缩到0到1之间。
中的 z 就对应训练集中某个样本的信息。 而样本信息通常用一系列特征的线性组合来表示，即
三、逻辑回归为什么要用sigmoid函数而不是用其他呢？
首先需要了解几个知识点：A.指数族分布 B.广义线性模型
A.指数族分布
指数族分布下面的公式，即：
其中，η为自然参数，T(y)为充分统计量，通常T(y)=y，α(η)为正则化项。
B.广义线性模型
满足下面三个假设的模型成为广义线性模型：
因为逻辑回归假设数据服从伯努利分布，我们用一个简单例子来介绍伯努利分布：抛硬币，一枚硬币抛中正面的概率为p，那么反面的概率则为1-p。
伯努利分布的概率质量函数（PMF）为：
分段函数比较简单易懂，但是对于后面的推导比较麻烦，于是有：
对上式进行log操作：
其中，令
所以可以得出伯努利分布属于指数族分布。
即伯努利分布满足广义线性模型的第一个假设，下面利用广义线性模型后面两个假设得到：
四、目标函数
是训练集中第 i 个样本已经被标记好的类别，若
五、求解过程与正则化
在实际应用中,为了防止过拟合，使得模型具有较强的泛化能力，往往还需要在目标函数中加入正则项。在逻辑回归的实际应用中，L1正则应用较为广泛，原因是在面临诸如广告系统等实际应用的场景，特征的维度往往达到百万级甚至上亿，而L1正则会产生稀疏模型，在避免过拟合的同时起到了特征选择的作用。
六、总结
优点：
简单易于实现。
逻辑回归可以输出一个[0,1]之间的浮点数，也就是不仅可以产生分类的类别，同时产生属于该类别的概率。
逻辑回归是连续可导的，易于最优化求解。
缺点：
容易过拟合
原始的逻辑回归只能处理两分类问题，且必须线性可分。
七、拓展
为什么逻辑回归使用交叉熵损失函数而不用均方误差？
今天的文章 2025年sigmoid函数和logistic（sigmoid函数和逻辑回归）分享到此就结束了，感谢您的阅读。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/bian-cheng-ri-ji/4897.html