《机器学习项目案例开发》课件 6.2逻辑回归-判定边界 - 心脏病.pptx

人工智能技术与应用6.2逻辑回归-判定边界

课程概况—基本情况PART01机器学习-逻辑回归什么是逻辑回归机器学习算法一览表

机器学习分类机器学习-Classification线性回归：预测是一个连续的值，房价、收入逻辑回归：预测是一个离散值，邮件分类、新闻聚类解决分类问题：我们讨论的垃圾邮件分类实际上就是一个分类问题。类似的例子还有很多，例如一个在线交易网站判断一次交易是否带有欺诈性。再如，判断一个肿瘤是良性的还是恶性的，也是一个分类问题。在以上的这些例子中，预测的是一个二值的变量，或者为0，或者为1；或者是一封垃圾邮件，或者不是；或者是带有欺诈性的交易，或者不是；或者是一个恶性肿瘤，或者不是。

机器学习分类机器学习-Classification可以将因变量（dependantvariable）可能属于的两个类分别称为负向类（negativeclass）和正向类（positiveclass）。可以使用0来代表负向类，1来代表正向类。分类问题仅仅局限在两类上：0或者1。之后我们会讨论多分类问题，也就是说，变量y可以取多个值，例如0，1，2，3。(Yes)1(No)0恶性？肿瘤大小

机器学习分类Classification-根据肿瘤大小判定良性恶性训练集如上图所示，横轴代表肿瘤大小，纵轴表示肿瘤的良性与否，注意，纵轴只有两个取值，1（代表恶性肿瘤）和0（代表良性肿瘤）。分类问题仅仅局限在两类上：良性-0的和恶性的-1(Yes)1(No)0恶性？肿瘤大小

机器学习分类Classification-根据肿瘤大小判定良性恶性线性回归来处理，实际上就是用一条直线去拟合这些数据。可以先使用线性回归去拟合，然后设定一个阀,0.5，小于阀值的是0-不是恶性肿瘤，大于阀值是1-是恶性肿瘤。用公式表示如下图所示：(Yes)1(No)0恶性？肿瘤大小??

机器学习分类xxxxxxxxxxx恶性肿瘤？肿瘤大小(Yes)1(No)0阀值?Classification-根据肿瘤大小判定良性恶性上面的例子似乎很好解决了恶性肿瘤的预测问题，但是这种模型有一个最大问题是对噪声很敏感(鲁棒性不够)，如果增加两个训练样本，按照线性回归+阀值的思路，使用线性回归会得到一条直线，然后设置阀值为0.5，如下图所示：这时会产生两个误判点，这是如果再使用0.5来做阀值来预测是否是恶性肿瘤就不合适了。

机器学习分类xxxxxxxxxxx癌症？肿瘤大小(Yes)1(No)0x阀值误判点Classification-根据肿瘤大小判定良性恶性这时会产生两个误判点，这是如果再使用0.5来做阀值来预测是否是恶性肿瘤就不合适了。

机器学习分类xxxxxxxxxxx癌症？肿瘤大小(Yes)1(No)0x阀值误判点Classification-根据肿瘤大小判定良性恶性这时会产生两个误判点，这是如果再使用0.5来做阀值来预测是否是恶性肿瘤就不合适了。

机器学习分类Sigmoid函数这里使用sigmoid函数将将一个(?∞,+∞)之内的实数值变换到区间0-1之间，单调增，定义域是(?∞,+∞)，值域是(0,1)函数如下所示：

机器学习分类xxxxxxxxxxx??

机器学习分类xxxxxxxxxxx?xxxxxxxxx?

机器学习分类判定边界通过上面的例子可以看出，逻辑回归就是去寻找判定边界，如果给高维的多项式，可以得到很负责的判定边界，下图所示：

敬请指导！