页面树结构
转至元数据结尾
转至元数据起始

概述

逻辑回归是一种分类算法,它进行分类的主要思想是:根据现有数据对分类边界线建立回归公式(寻找到最佳的拟合直线),以此进行分类。简单来说,它就是利用Logistic函数拟合数据来预测某一个事件发生的概率。

该算法可用于二元及多元分类问题,是分类算法的经典算法。对于二分类问题,算法输出一个二元逻辑回归模型。对于多分类问题,算法会输出一个多维逻辑回归模型。

示例

使用“银行零售客户流失”案例数据,包含17个特征列和1个二类的目标标签。需要对银行客户预测是否流失。通过数据预处理及模型训练,如下图:

 

其中,特征离散是将年龄、卡龄等数据离散化,是为了提高模型的准确度,提高运行速度。

逻辑回归的参数如下:

参数名称

说明

归一化

正则化

详情请参考 归一化 介绍说明。

标准化

最小最大值归一化

最大绝对值归一化

最大迭代数

参数范围为:>=0的整数,默认值为10

算法的最大迭代次数,达到最大迭代次数即退出。

最大迭代次数的值越大,模型训练更充分,但会耗费更多时间。

混合参数

参数范围为:[0,1]的数,默认值为0

控制惩罚类型,平方误差损失函数中的 ρ,参数范围为:[0,1]的数。其中:0表示L2惩罚,1表示L1惩罚,0~1表示L1和L2惩罚的结合。

对模型系数惩罚(或称正则化)可减少模型过拟合。

正则参数

参数范围为:>=0的数,默认值为 :0

正则项系数,损失函数中的 。

正则化可以解决模型训练中的过拟合现象;

正则项系数越大,模型越不会过拟合。

收敛阈值

参数范围为:>=0的数,默认值为 :0.000001

收敛误差值。

收敛误差值,当损失函数取值优化到小于收敛阈值时停止迭代。

分类阈值

参数范围为:>=0的数,请用英文逗号隔开,且数量与分类数相同。默认值为:0.5。分类数按从0到标签的最大值计算。

在二进制分类中设置阈值thresholds。

如果模型预测结果为分类标签1的估计概率>thresholds,则预测为1,否则为0。高阈值是鼓励模型更频繁地预测0,反之则预测为1。

自动调参设置

系统默认的各项参数值范围。

必须结合“启用自动调参”功能使用。系统将对这些范围内的参数值循环调参,匹配出最优的组合。若运行速度比较慢,可将参数范围调小点。

启用自动调参: 勾选该项,则系统自动调参数,不需要用户手工设置参数。