逻辑回归 一个事件的几率是该事件发生的概率/该事件不发生的概率:P/(1-P) 对数几率是:log(P/(1-P)) **考虑对输入x分类的模型:**log(P/(1-P))=wx 则 P=exp(wx)/(exp(w*x)+1) 线性函数越接近于正无穷,概率越接近1、线性函数越接近于负无穷,概率越接近0 逻辑回归就是线性回归+sigmoid 优缺点 优点: 速度快,适合二分类问题简单易于理解,直接看到各个特征的权重能容易地更新模型吸收新的数据 缺点: 对数据和场景的适应能力有局限性,不如决策树算法适应性那么强