逻辑回归是一种统计模型，用于根据二元因变量预测结果。由于二元逻辑模型有一个只有两个输出的因变量，因此它主要用于模拟因通过/双赢/失败或活着/死亡而导致的事件的概率。逻辑回归使用名为逻辑函数的函数来估计一个或多个因变量之间的概率并比较它们的关系。
各领域依靠逻辑回归有效履行职责；这些领域的例子是机器学习、医学学习、工程领域(预测给定系统的概率)和社会科学。
逻辑回归的优点
让我们讨论一下逻辑回归带来的一些优点。
- 最简单的机器学习算法：逻辑回归是超级容易实现的监督机器学习算法之一。之所以如此，是因为与其他方法相比，该算法没有提供高计算能力，这使其适用于机器学习领域的分类。
- 易于更新 - 与其他方法不同，逻辑算法允许用户轻松更新模型以获取/反映新数据。在逻辑回归中，数据的更新主要使用随机梯度下降来完成。
- 校准良好的输出：这种方法产生的概率是校准良好的。这使其比仅将最终分类作为结果的其他模型或方法更可靠。
- 不易过拟合：在低维数据集中，逻辑回归不易过拟合。但是，它可能在高维中过拟合，这可以通过使用称为正则化的技术来控制。
- 更准确：它为许多简单的数据集提供了比使用任何其他方法时更准确的结果。然而，当数据集具有线性可分特征时，它表现良好。
- 易于扩展：逻辑回归可以轻松扩展到多个类别和自然概率。
逻辑回归的缺点
- 过拟合：高维数据集导致模型过拟合，导致测试集上的结果不准确。正则化技术用于抑制过拟合缺陷。但是，非常高的正则化可能会导致模型欠拟合，从而导致结果不准确。
- 并非所有问题都可以使用这种方法解决：非线性问题无法使用逻辑回归技术解决。因此，将这些非线性问题转换为线性问题可能会很费时间，而且会浪费时间。
- 复杂关系的问题：由于逻辑回归不如神经网络等其他算法强大，它可能难以捕捉复杂的关系。
- 需要大量的观察：这种技术通常用于观察数量高于所用特征的情况。否则，当观察次数较少时，可能会导致过拟合。
- 高数据维护：在逻辑回归中，由于数据准备繁琐，数据维护更高。这是由数据缩放和标准化带来的。
逻辑回归的优点和缺点有什么好处？
逻辑回归的优点和缺点的局限性
逻辑回归的优点和缺点
逻辑回归的的好处和坏处
逻辑回归的的利与弊
逻辑回归的的优缺点
逻辑回归的怎么样？
欢迎任何形式的转载，但请务必注明出处，尊重他人劳动成果。
转载请注明：文章转载自 有区别网 [http://www.vsdiffer.com]
本文标题：逻辑回归的优点和缺点
本文链接：https://www.vsdiffer.com/proscons/pros-and-cons-of-logistic-regression.html
免责声明：以上内容仅是站长个人看法、理解、学习笔记、总结和研究收藏。不保证其正确性，因使用而带来的风险与本站无关！如本网站内容冒犯了您的权益，请联系站长，邮箱：，我们核实并会尽快处理。