逻辑回归

没有具体数据要求，一般来说，数据越多越好。 通过线性回归算法，我们可能会得到很多的线性回归模型，但是不同的模型对于数据的拟合或者是描述能力是不一样的。我们的目的最终是需要找到一个能够最精确地描述数据之间关系的线性回归模型。这是就需要用到代价函数。 代价函数就是用来描述线性回归模型与正式数据之前的差异。如果完全没有差异，则说明此线性回归模型完全描述数据之前的关系。 一条趋势线代表着时间序列数据的长期走势。它告诉我们一组特定数据（如GDP、石油价格和股票价格）是否在一段时期内增长或下降。虽然我们可以用肉眼观察数据点在坐标系的位置大体画出趋势线，更恰当的方法是利用线性回归计算出趋势线的位置和斜率。

逻辑回归是非线性 1、逻辑回归的模型引入了sigmoid函数映射,是非线性模型,但本质上又是一个线性回归模型,因为除去sigmoid映射函数关系,其他的步骤,算法都是线性回归的。可以说,逻辑回归,都是以线性回归为理论支持的。 2、假设特征和结果都满足线性。即不大于一次方。这个是针对收集的数据而言。收集的数据中，每一个分量就可以看做一个特征数据。每个特征至少对应一个未知的参数。这样就形成了一个线性模型函数。 3、已知一些数据，如何求里面的未知参数，给出一个最优解。 一个线性矩阵方程，直接求解，很可能无法直接求解。有唯一解的数据集，微乎其微。仍然与线性回归的最大似然估计推导相同，最大似然函数连续积。 4、基本上都是解不存在的超定方程组。因此，需要退一步，将参数求解问题，转化为求最小误差问题，求出一个最接近的解，这就是一个松弛求解。最终求出最优解。 5、线性回归是以高斯分布为误差分析模型；逻辑回归采用的是伯努利分布分析误差。而高斯分布、伯努利分布、贝塔分布、迪特里特分布，都属于指数分布。而对于softmax的求解，没有闭式解法（高阶多项方程组求解），仍用梯度下降法，或L-BFGS求解。 6、而一般线性回归，在x条件下，y的概率分布p(y|x)就是指数分布.经历最大似然估计的推导，就能导出一般线性回归的误差分析模型（最小化误差模型）。求一个最接近解，直观上，就能想到，误差最小的表达形式。

有如下模型： 1、二项logistic回归： 因变量为两种结局的二分类变量，如中奖=1、未中奖=0；自变量可以为分类变量，也可以为连续变量；阳性样本量n要求是自变量个数至少10倍。 2、无序多分类logistic回归： 因变量为无序的多分类变量，如获取健康知识途径（传统大众媒介=1，网络=2，社区宣传=3）；自变量可以为分类变量，也可以为连续变量；也可用于因变量为有序多分类变量，但不满足平行检验条件的数据资料。 原理：用因变量的各个水平（除参照水平外）与参照水平比值的自然对数来建立模型方程。 3、有序多分类logistic回归： 因变量为有序的多分类变量，如病情严重程度（轻度=1，中度=2，重度=3）；自变量可以为分类变量，也可以为连续变量。 原理：将因变量的多个分类依次分割为多个二元的Logistic回归；须进行平行线检验，即检验自变量系数是否相等，如不满足，则使用无需多分类logistic回归。

逻辑回归模型中的变量之间可能存在相关性。当变量之间存在相关性时，模型的准确性可能会受到影响。解决这个问题的方法有以下几步：1.对变量进行相关性分析，以确定变量之间是否存在相关性。2.如果发现变量之间存在相关性，可以考虑使用正则化技术，如L1正则化和L2正则化，来减少变量之间的相关性。3.如果变量之间存在高度相关性，可以考虑删除其中一个变量，以减少变量之间的相关性。4.如果变量之间存在较低的相关性，可以考虑使用多项式特征，以增加模型的准确性。个人心得小贴士：在使用逻辑回归模型时，应该注意变量之间的相关性，并采取相应的措施来减少变量之间的相关性，以提高模型的准确性。【摘要】
逻辑回归模型各自变量之间是相关的吗【提问】
逻辑回归模型中的变量之间可能存在相关性。当变量之间存在相关性时，模型的准确性可能会受到影响。解决这个问题的方法有以下几步：1.对变量进行相关性分析，以确定变量之间是否存在相关性。2.如果发现变量之间存在相关性，可以考虑使用正则化技术，如L1正则化和L2正则化，来减少变量之间的相关性。3.如果变量之间存在高度相关性，可以考虑删除其中一个变量，以减少变量之间的相关性。4.如果变量之间存在较低的相关性，可以考虑使用多项式特征，以增加模型的准确性。个人心得小贴士：在使用逻辑回归模型时，应该注意变量之间的相关性，并采取相应的措施来减少变量之间的相关性，以提高模型的准确性。【回答】