|----------------------------------------------------------|
| 重点： 1.逻辑回归模型会生成概率。 2. 对数损失是逻辑回归的损失函数。 3. 逻辑回归被许多从业者广泛使用。 |
1.逻辑回归：计算概率 **许多问题需要将概率估算值作为输出。逻辑回归是一种非常高的概率计算机制。** 实际上，您可以通过以下两种方式之一使用返回的概率： * 原样 * 已转换为二元类别。 !在这里插入图片描述(https://img-blog.csdnimg.cn/direct/e62e0256ba5a45a39968900685053fa7.png)
在许多情况下，您需要将逻辑回归输出映射到二元分类问题，其中目标是正确预测两个可能的标签之一（例如，"垃圾邮件"或"不是垃圾邮件"）。后续模块会重点介绍这一点。
您可能想知道逻辑回归模型如何确保输出值始终介于 0 和 1 之间。巧合的是，S 型函数会产生如下具有相同特征的输出（定义如下）：
S 型函数生成以下图表：
逻辑回归推断计算。
2.逻辑回归：损失和正则化
2.1.逻辑回归的损失函数
线性回归的损失函数是平方损失。逻辑回归的损失函数是对数损失，定义如下：
2.2.逻辑回归中的正则化
正则化在逻辑回归建模中极其重要。 如果不进行正则化，高逻辑维度下的逻辑回归的渐近性会不断促使损失接近 0。因此，大多数逻辑回归模型都使用以下两种策略之一来降低模型复杂性：
- L2 正则化。
- 早停法，即限制训练步数或学习速率。
假设您为每个示例分配一个唯一 ID，并将每个 ID 映射到其自己的特征。如果您不指定正则化函数，模型将完全过拟合。这是因为模型会尝试在所有样本上将损失降低为零，并且永远无法实现，从而将每个指示器特征的权重提高至 +无穷大或-无穷大。当有大量罕见的交叉时，仅在一个样本上发生，就会出现包含特征组合的高维度数据。
幸运的是，使用 L2 或早停法可以防止此问题出现。