登录社区云，与社区用户共同成长
邀请您加入社区
直接上手的信用卡欺诈识别小项目，用逻辑回归做二分类判断，输入是creditcard.csv真实交易数据，输出是每笔交易是否为欺诈的预测结果。整个流程跑通只需安装pandas、numpy、scikit-learn三个基础库，运行Creditcard_fraud_detection.py就能看到标准化处理、特征筛选、模型训练、阈值调优、混淆矩阵和召回率等关键指标。特别针对正负样本极度不均衡（欺诈样本仅
直接上手就能跑的金融风控评分卡实现方案，用Python完成从原始信贷数据到可部署评分卡的全流程。包含训练集和测试集两个CSV文件，字段涵盖客户年龄、收入、负债比、逾期次数等典型风控变量；核心代码在Jupyter Notebook中分步呈现：缺失值处理、异常值识别、连续变量分箱、WOE转换、IV值计算筛选有效特征、逻辑回归建模、模型稳定性检验（PSI）、KS曲线与ROC分析、最终评分映射公式推导。配
p059基于Python的王者荣耀战队的数据分析系统设计与实现_flask+hadoop+spider2(设计源文件+万字报告+讲解)（支持资料、图片参考_降重降ai）管理员进行爬取数据后，点击主页面右上角的看板，可以查看到系统简介、比赛信息总数、赛季统计、阶段统计、主队积分统计、客队积分统计、比赛信息等实时的分析图进行可视化管理。管理员进入主页面，主要功能包括对首页、比赛信息管理、系统管理、我的
本文基于心脏病医疗数据集开展二分类预测实战，完成数据清洗、EDA 可视化、特征标准化等预处理，筛选关键生理指标作为模型输入。封装统一评估函数，对比逻辑回归、SVM、决策树、随机森林、XGBoost 五类算法，通过混淆矩阵与 ROC-AUC 衡量性能。实验表明线性模型效果一般，树集成模型随机森林、XGBoost AUC 达 0.99，拟合与泛化能力最优，适合医疗辅助诊断，文末给出优化拓展思路。
很多人问我，小龙虾到底能干嘛？我觉得这个问题本身就问反了。不是小龙虾能干嘛，是你愿意让它帮你干嘛。3 月份小龙虾热度最高的时候，全网都在围观，都在讨论"它会不会替代我"。现在热度过了，围观的人散了。但留下来的人，开始发现它真正的价值。不是那些花里胡哨的演示视频，而是像今天这样。安安静静地帮你把工时填了，把日报写了，把活儿干了。这才是 AI 该有的样子，不是替代你，而是安静地站在你身后帮你干事。至于
逻辑回归是二分类任务中最基础且广泛应用的线性模型，其核心在于将线性组合映射为概率输出，通过sigmoid函数实现分类决策。理解其原理需掌握log-odds、边际效应与正则化机制，技术价值体现在高可解释性、训练高效性及与业务逻辑强对齐能力。典型应用场景包括用户流失预警、金融风控和医疗风险筛查等需要透明决策依据的领域。本文聚焦逻辑回归的Python实现与可解释性落地，深入剖析系数含义、决策边界可视化、
我们通过接口传递webservice后，它返回信息为“涓婁紶鎴愬姛!”乱码的中文GBK解码utf-8字节码后的错乱形式，它的Utf-8形式的字节码16进制为：00000000h: E4 B8 8A E4 BC A0 E6 88 90 E5 8A 9F 21; 涓婁紶鎴愬姛!..| 乱码字符 | GBK 编码 (十六进制) ||----------|---------------------|| 涓
逻辑回归是二分类任务的基石模型，其核心在于sigmoid映射、交叉熵损失与梯度下降优化。理解其数学原理需穿透sklearn等封装，直面数值稳定性挑战——如exp溢出导致sigmoid崩溃、log(0)引发NaN、MSE梯度消失等问题。本文聚焦纯Python从零实现，详解防溢出sigmoid分段计算、交叉熵损失的梯度简洁性（dL/dz = p−y）、特征标准化对参数更新的必要性，以及学习率衰减与梯度
一、逻辑回归在 机器学习之线性回归 中，我们可使用梯度下降的方法得到一个映射函数hΘ(X)来去贴近样本点，这个函数是对连续值的一个预测。而逻辑回归是解决分类问题的一个算法，我们可以通过这个算法得到一个映射函数f：X-> y，其中X为特征向量，X 为 { x0 x1 x2 x3 x4 … xn }，y为预测的结果。在逻辑回归这里，标签y为一个离散的值。二、判定边界当将训练集的样本以其各个特征为坐标轴
正如我们在讲座中看到的，通过使用高阶多项式项(例如:f(x)= g(x0^2 +x1-1))我们可以得到更复杂的非线性边界。(您将在课程中学习如何进一步将这些参数拟合到数据中)让我们试着通过绘制决策边界来理解这个训练过的模型预测的是什么。标签y = 1的数据点显示为红色,标记为y=0的数据点用蓝色圆圈表示。我们来看看它的图形是怎样的。我们先画出-3 +x0 +x 1= 0，也就是x1 =3- x0
本篇博文主要介绍了机器学习里面的逻辑回归，并给出了相关的计算过程，最后使用主流的机器学习库sklearn来实现逻辑回归。机器学习(手推公式版)系列持续更新中...
逻辑回归（LogisticRegression）是机器学习中的一种分类模型，逻辑回归是一种分类算法，虽然名字中带有回归，但是它与回归之间有一定的联系。由于算法的简单和高效，在实际中应用非常广泛。
注意变量X和y不是标量值，而是形状分别为(m, n)和(m，)的矩阵，其中n是特征的数量，m是训练样例的数量。您可以看到成本函数的行为与预期一致，并且成本w = np.array([- 4,1,1])确实比w=np.array[-3,1,1]的代价高。在之前的实验中，您绘制了b = -3, w0 = 1, w1 = 1的决策边界。假设你想知道b = -4, w0 = 1, w1 = 1，或者w =
本文遗留问题：（1）案例分析未完成。（2）分类模型评价指标实验需回顾。目录前言一、对数几率回归模型1、分类任务（1）分类任务概述（2）两类分类任务2、对数几率回归模型（1）Sigmoid 函数（2）对数几率回归模型二、对数几率回归的损失函数1、0/1损失2、交叉熵损失3、对数几率回归模型的目标函数（1）对数几率回归模型的目标函数（2）对数几率回归中正则化的必要性三、对数几率回归的优化求解1、梯度下
凌云时刻 · 技术导读：机器学习算法中有一个重要环节就是评判算法的好坏，我们在之间的笔记中讲过多种评价回归算法的评测标准，比如均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（M...
下一步，你可以尝试用它解决更多问题，或者探索如何用特征工程来提升它的性能，甚至可以将它作为基准模型，与更复杂的模型（如随机森林、XGBoost）进行对比。我们的目标是找到一组最优的参数\theta，使得模型对训练数据的预测概率最大。它的任务是根据输入的特征，预测一个样本属于某个类别的概率。简单来说，我们会定义一个“损失函数”来衡量模型预测的好坏，然后通过梯度下降等优化算法，不断调整参数\theta
One-Vs-Rest 逻辑回归 = 把多分类问题转化为多个二分类问题，简单、直观，适用于小类别场景，是机器学习入门多分类的首选思路之一。
【代码】吴恩达机器学习课后题-02逻辑回归。
分类问题中，默认的0.5阈值并不是“黄金标准”。针对具体业务目标（是否强调召回率/精确率），我们可以：自定义分类阈值，寻找最佳的性能平衡点；深度解读 Precision、Recall、F1-score，避免被“Accuracy”误导；借助混淆矩阵，全景化理解模型的预测行为；结合快速输出各类指标。
会自动对数组的每个元素进行计算，无需手动循环。
当一看到“回归”这两个字，可能会认为逻辑回归是一种解决回归问题的算法，然而逻辑回归是通过回归的思想来解决二分类问题的算法。那么问题来了，回归的算法怎样解决分类问题呢？其实很简单，逻辑回归是将样本特征和样本所属类别的概率联系在一起，假设现在已经训练好了一个逻辑回归的模型为 f(x) ，模型的输出是样本 x 的标签是 1 的概率，则该模型可以表示， z=f(x)。若得到了样本 x 属于标签 1 的概率
吴恩达的深度学习课程看下来，目前给我的感受是大佬是真的关注我们这些底子差的人，已经讲到非常详细和细致了，连导数都讲解了还有函数的推到说明。建议像我一样学习人工智能专业以及那些刚刚接触深度学习、机器学习的同学有空多看看吴恩达的视频 ，仔细看下来会大有收获，原来在课堂上不能理解的推导通过观看视频学习能够恍然大悟。不过无论是什么专业都需要自己花时间去学哈，毕竟“事在人为”。希望大家能坚持学习，提升专业水
机器学习知识点
线性回归（Linear regression）线性回归作为机器学习中的一个基本算法，他的目的、功能、用途都是相当的明了，在这篇文章中会简单的介绍和说明线性回归的原理，然后使用python实现效果，最后会在其他的文章中补充一些进一步的优化线性回归的目的很简单，就是用一条直线来拟合这些点。线性回归的功能也很直接，通过大量的训练集进行训练，得到合适的权重参数 ...
softmax回归推导
目录一、LogLoss对数损失函数（逻辑回归，交叉熵损失）二、平方损失函数（最小二乘法, Ordinary Least Squares ）三、指数损失函数（Adaboost）四、Hinge损失函数（SVM）五、其它损失函数六、Keras / TensorFlow 中常用 Cost Function 总结七、tf.losses 模块一、LogLoss对数损失函数......
机器学习入门——假新闻检测项目，运用BernoulliNB模型和逻辑回归
然后将两个模型的预测概率相加,归一化为1,作为三类的预测概率。逻辑回归模型是分类模型,线性回归模型是回归模型。逻辑回归模型的响应变量是离散型的,线性回归模型的响应变量是连续型的。它是指数β的指数函数exp(β),表示自变量每变化1个单位,响应变量发生的几率比会变化exp(β)倍。这些指标值越大,预测效果越好。将新输入的数据代入逻辑回归模型,计算log odds,然后取值大于0时的概率作为正类的预测
逻辑回归
——逻辑回归
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
亚马逊云科技技术品牌专区
DAMO开发者矩阵
