外贸响应式网站,网络服务的重要性?,网站界面设计的要求,供求信息免费发布为什么需要逻辑回归
拟合效果太好 特征与标签之间的线性关系极强的数据#xff0c;比如金融领域中的 信用卡欺诈#xff0c;评分卡制作#xff0c;电商中的营销预测等等相关的数据#xff0c;都是逻辑回归的强项。虽然现在有了梯度提升树GDBT#xff0c;比逻辑回归效果更…为什么需要逻辑回归
拟合效果太好 特征与标签之间的线性关系极强的数据比如金融领域中的 信用卡欺诈评分卡制作电商中的营销预测等等相关的数据都是逻辑回归的强项。虽然现在有了梯度提升树GDBT比逻辑回归效果更好也被许多数据咨询公司启用但逻辑回归在金融领域尤其是银行业中的统治地位依然不可动摇相对的逻辑回归在非线性数据的效果很多时候比瞎猜还不如所以如果你已经知道数据之间的联系是非线性的千万不要迷信逻辑回归
逻辑回归计算快 对于线性数据逻辑回归的拟合和计算都非常快计算效率优于SVM和随机森林亲测表 示在大型数据上尤其能够看得出区别
逻辑回归返回的分类结果不是固定的01而是以小数形式呈现的类概率数字 我们因此可以把逻辑回归返回的结果当成连续型数据来利用。比如在评分卡制作时我们不仅需要判断客户是否会违约还需要给出确定的”信用分“而这个信用分的计算就需要使用类概率计算出的对数几率而决策树和随机森林这样的分类器可以产出分类结果却无法帮助我们计算分数当然在sklearn中决策树也可以产生概率使用接口 predict_proba调用就好但一般来说正常的决策树没有这个功能。
sklearn中的逻辑回归
