机器学习线性分类模型的基础2020/12/3分类的线性模型第 4-1 课分类的线性模型逻辑回归（）用网格搜索优化模型多类分类（）类不平衡（）多标签分类（）2020/12/3分类的线性模型第 5-2 课逻辑回归（）在线性回归中，我们讨论了简单线性回归，多元线性回归和多项式回归。这些模型是广义线性模型（）的特例，这是一个灵活的框架，比普通线性回归需要更少的假设。在本课中，我们将讨论这些假设中的一些，因为它们与广义线性模型的另一种特殊情况有关，称为 logistic 回归2020/12/3分类的线性模型第 5-3 课。。。。？2020/12/3分类的线性模型第 5-4 课logistic 回归二元分类在 logistic 回归中，响应变量描述了结果为阳性病例的概率。如果响应变量等于或超过判别阈值，则预测正类；否则，预测负类。使用 logistic 函数将响应变量建模为解释变量线性组合的函数2020/12/3分类的线性模型第 5-5 课成本函数成本函数，，，“。2020/12/3分类的线性模型第 5-6 课y={0 ， 1} ， :2020/12/3分类的线性模型第 5-7 课求解过拟合的代价函数，。2020/12/3分类的线性模型第 5-8 课sklearn.linear_model.logisticregression类sklearn.linear_model.LogisticRegression(Penalty='L2' ，dual=false ， tol=0.0001 ， c=1.0 ， fit_intercept=true ，intercept_scaling=1 ， class_weight=none ， random_state=none ， solver='lbfgs' ， max_iter=100 ， multi_class='warn' ， verbose=0 ， warm_start=false ， n_jobs=none).https://blog.csdn.net/lcqin111/article/details/83861476https://www.cnblogs.com/2019-02-11/P/10597118.html2020/12/3分类的线性模型第 5-9 课分类的线性模型逻辑回归（）用网格搜索优化模型多类分类（）类不平衡（）多标签分类（）2020/12/3Linear Model for ClassificationLesson 5 - 10Tuning models with grid search超参数是模型中未学习的参数。例如，我们的 logistic 回归SMS 分类器的超参数包括正则化项的值和用于删除出现太频繁或不经常出现的单词的阈值。在 scikit learn 中，超参数是通过构造函数设置的。在前面的示例中，我们没有为LogisticRegression （）设置任何参数；我们使用了所有超参数的默认值。这些默认值通常是一个良好的开始，但它们可能无法生成最佳模型。网格搜索是选择产生最佳模型的超参数值的常用方法。网格搜索为每个应该调整的超参...
