线性回归VS Logistic回归

本文概要

• 线性回归
• Logistic回归

线性回归和Logistic回归是哪来下监督学习技术的两个著名的机器学习算法。由于这两种算法在本质上是监督，因此这些算法使用标记的数据集进行预测。但它们之间的主要区别是如何被使用它们。线性回归用于解决回归问题，而Logistic回归用于解决分类问题。两个算法的描述与表差沿着在下面给出。

线性回归

• 线性回归是来监督之下学习技术，并用于解决回归问题的最简单的机器学习算法之一。
• 它是用于与自变量的帮助下预测连续的因变量。
• 的线性回归的目标是找到最佳拟合线，可以准确地预测用于连续因变量的输出。
• 如果单个自变量被用于预测然后它被称为简单线性回归，如果有两个以上的独立变量则这种回归被称为多元线性回归。
• 通过找到最佳拟合线，算法建立因变量和自变量之间的关系。和的关系应该是线性的性质。
• 对于线性回归的输出应该只是连续值，如价格，年龄，工资，等等可在下面的图像中显示的因变量和自变量之间的关系：

另外，在上述图像因变量是在Y轴上（工资）和独立变量是x轴（经验）。回归线可以写成：

y= a0+a1x+ ε

其中，A0，A1的系数ε是误差项。

Logistic回归

• Logistic回归分析是，在监督学习技术来最流行的机器学习算法之一。
• 它可用于分类和回归的问题，但主要用于分类问题。
• Logistic回归被用来预测与自变量的帮助下，分类因变量。
• Logistic回归问题的输出可以是仅在0和1之间。
• 可以在需要两个类之间的概率可以使用逻辑回归。比如是否今天会不会下雨，无论是0或1，真或假等。
• Logistic回归是基于最大似然估计的概念。根据这个估计，观测数据应该是最有可能的。
• 在逻辑回归，我们通过激活功能，可以在0和1之间这样的激活函数被称为S形函数和获得的曲线被称为S形曲线或S形曲线映射值传递的输入的加权和。考虑下面的图片：

• 对于回归方程为：

线性回归和Logistic回归的区别：