机器学习模型总结

线性回归模型

线性回归模型的特点
优点	线性模型形式简单，可解释性强，容易理解和实现
缺点	线性模型不能表达复杂的模式，对于非线性问题表现不佳
应用领域	金融领域，气象预报，特别适用于能够用线性关系进行描述的问题领域

模型实现

from sklearn import linear_model
import numpy as np

model = linear_model.LinearRegression()
model.fit(x,y)
model.predict(x_)
           

逻辑回归模型

l o g i s t i c ( z ) = 1 1 + e （ − z ） logistic(z) =\frac{1}{ 1+e^{（-z）}} logistic(z)=1+e（−z）1​

逻辑回归函数图像

import numpy as np
import  matplotlib.pyplot as plt

x = np.linspace(-4,4,1000)
y = 1/(1+np.e**(-x))

plt.figure(figsize=(8,6))
plt.plot(x,y)
plt.show()
           

逻辑回归分类算法特点
优点	形式简单，可解释性强，容易理解和实现，计算代价较低的分类模型
缺点	效果不好，容易欠拟合
应用领域	适用于二分类领域，成为其他算法的部件，作为神经网络的激活函数